論文の概要: RED: Adaptive Real-Time DAG Scheduling for Robotic Inference under Environmental Dynamics

• arxiv url: http://arxiv.org/abs/2605.24044v1
• Date: Thu, 21 May 2026 20:44:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 18:35:38.624182
• Title: RED: Adaptive Real-Time DAG Scheduling for Robotic Inference under Environmental Dynamics
• Title（参考訳）: RED:環境変動を考慮したロボット推論のための適応リアルタイムDAGスケジューリング
• Authors: Zexin Li, Tao Ren, Johnathan Liu, Xiaoxi He, Cong Liu,
• Abstract要約: リソース制約のあるロボットプラットフォーム上でのマルチタスクディープニューラルネットワークワークロードのためのリアルタイムスケジューリングフレームワークREDを提案する。 スループット、納期満足度、干渉に対する堅牢性、適応性、実行時のオーバーヘッドにおいて、既存のメソッドよりも一貫して向上していることを示す。 我々はNVIDIA JetsonファミリプラットフォームとApple MシリーズMacBookにREDを実装し、実際のロボットシナリオを表すナビゲーション指向のワークロードで評価する。
• 参考スコア（独自算出の注目度）: 9.319504475739588
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Robots deployed in dynamic environments must contend with environment-driven changes that reshape computation at runtime: new tasks may appear, precedence relations can shift, and overall workload structure evolves, all of which degrade performance, especially when multi-task inference is required under tight resource and real-time budgets. We present RED, a real-time scheduling framework for multi-task deep neural network workloads on resource-constrained robotic platforms that adapts to Robotic Environmental Dynamics (RED) while preserving end-to-end timing guarantees under modeling assumptions. The core of RED is a deadline-aware scheduler that assigns intermediate sub-deadlines, allowing it to accommodate evolving computation graphs and asynchronous inference induced by unpredictable conditions. The framework also supports flexible deployment of MIMONet (multi-input multi-output neural networks), commonly used in multi-tasking robots to alleviate memory pressure through weight sharing. RED explicitly leverages this shared-parameter property via a workload refinement and graph-reconstruction procedure that aligns MIMONet structure with schedulability requirements, improving compatibility and efficiency. We implement RED on NVIDIA Jetson family platforms and on an Apple M-series MacBook and evaluate it on navigation-oriented workloads representative of real robotic scenarios. Experiments show consistent gains over existing methods in throughput, deadline satisfaction, robustness to interference, adaptability, and runtime overhead.
• Abstract（参考訳）: 動的環境にデプロイされたロボットは、実行時に計算を再構築する環境駆動的な変更と競合する必要がある。新しいタスクが出現し、優先順位関係がシフトし、全体的なワークロード構造が進化し、パフォーマンスが低下する。 我々は、ロボット環境ダイナミクス(RED)に適応するリソース制約されたロボットプラットフォーム上で、マルチタスクのディープニューラルネットワークワークロードをリアルタイムにスケジューリングするフレームワークREDを紹介する。 REDの中核はデッドライン対応のスケジューラで、中間のサブデッドラインを割り当て、予測不能な条件によって引き起こされる、進化する計算グラフと非同期推論に対応できる。 このフレームワークはMIMONet(multi-input multi-output neural network)の柔軟なデプロイもサポートしている。 REDは、この共有パラメータ特性を、MIMONET構造とスケジュール可能性要件を整合させ、互換性と効率を向上するワーク負荷改善およびグラフ再構成手順を通じて明示的に活用している。 我々はNVIDIA JetsonファミリプラットフォームとApple MシリーズMacBookにREDを実装し、実際のロボットシナリオを表すナビゲーション指向のワークロードで評価する。 実験では、スループット、納期満足度、干渉に対する堅牢性、適応性、実行時のオーバーヘッドにおいて、既存のメソッドよりも一貫した利得を示している。

関連論文リスト

• Multi-Turn Reasoning LLMs for Task Offloading in Mobile Edge Computing [15.718757401948304]
  我々は,MECシステムにおける前向きな意思決定を可能にする生成フレームワークであるCOMLLMを提案する。 COMLLMは、ほぼ最適レイテンシを実現し、ロードバランシングの公平性を向上する。特に、ゼロショットのスケーラビリティを示し、小規模ネットワークでトレーニングされたモデルは、再トレーニングすることなく、より大きく、目に見えないトポロジに一般化することができる。
  論文  参考訳（メタデータ） (2026-04-08T14:38:48Z)
• UMBRELLA: Uncertainty-aware Multi-robot Reactive Coordination under Dynamic Temporal Logic Tasks [5.794342083222513]
  本稿では,動的および移動目標を含む協調作業のためのマルチロボットシステムのコーディネート問題に対処する。 コンフォーマル予測(CP)による目標運動予測の不確かさを明示的にモデル化する。 提案するフレームワーク (UMBRELLA) は,MCTS (Monte Carlo Tree Search) を部分計画と不確実性を考慮したロールアウトに組み合わせたものだ。
  論文  参考訳（メタデータ） (2026-03-26T12:40:04Z)
• RADAR: Closed-Loop Robotic Data Generation via Semantic Planning and Autonomous Causal Environment Reset [48.645870795753105]
  ロボットのためのロバスト自動データ取得(RADAR)について紹介する。 RADARは完全に自律的でクローズドループのデータ生成エンジンで、収集サイクルから人間の介入を完全に取り除きます。 シミュレーションでは、複雑な長期タスクにおいて、最大90%の成功率を達成する。
  論文  参考訳（メタデータ） (2026-03-12T11:18:52Z)
• CORAL: Scalable Multi-Task Robot Learning via LoRA Experts [49.759823970016974]
  実世界のロボット工学におけるビジョン・ランゲージ・アクション(VLA)モデルは、コアマルチタスク学習の課題を露呈する。 タスク毎に個別の完全なチェックポイントを維持することは、しばしばストレージとデプロイメントの禁止である。 主にマルチタスク干渉を軽減するために設計されたバックボーンおよび非依存のフレームワークであるCORALを提案する。
  論文  参考訳（メタデータ） (2026-03-10T07:28:41Z)
• CollaPipe: Adaptive Segment-Optimized Pipeline Parallelism for Collaborative LLM Training in Heterogeneous Edge Networks [57.95170323315603]
  CollaPipeは、コラボレーティブパイプライン並列性とフェデレーションアグリゲーションを統合し、自己進化型ネットワークをサポートする分散学習フレームワークである。 CollaPipeでは、エンコーダ部分は可変サイズのセグメントに適応的に分割され、パイプライン並列トレーニングのためにモバイルデバイスにデプロイされ、デコーダは生成タスクを処理するためにエッジサーバにデプロイされる。 トレーニング効率を向上させるために,モデルセグメント,マイクロバッチ,帯域幅,送信電力を適応的に割り当てる共同最適化問題を定式化する。
  論文  参考訳（メタデータ） (2025-09-24T07:54:01Z)
• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• Exploring the Dynamic Scheduling Space of Real-Time Generative AI Applications on Emerging Heterogeneous Systems [0.9041154551329587]
  リアルタイム生成AI(RTGen)ワークロードは、生成モデルの計算強度と動的実行パターンと、リアルタイム推論の制約とを結合する。 現代のエッジプラットフォームでは、不均一なSystem-on-chip(SoC)アーキテクチャが採用されている。 スケジューリング決定がワークロードのパフォーマンスに大きく影響することを示します。
  論文  参考訳（メタデータ） (2025-07-19T18:24:11Z)
• Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
  繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。 パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-10-05T21:44:18Z)
• RED: A Systematic Real-Time Scheduling Approach for Robotic Environmental Dynamics [11.38746414146899]
  我々は、リソース制限されたロボットシステムにおいて、マルチタスクのディープニューラルネットワークワークロードをサポートするように設計された、体系的なリアルタイムスケジューリング手法REDを紹介する。 ロボット環境ダイナミクス(RED)をリアルタイムの制約に順応しながら適応的に管理するように設計されている。
  論文  参考訳（メタデータ） (2023-08-29T15:04:08Z)
• Learning Coordination Policies over Heterogeneous Graphs for Human-Robot Teams via Recurrent Neural Schedule Propagation [0.0]
  HybridNetは、人間のロボットチームをスケジューリングするためのディープラーニングベースのフレームワークである。 マルチラウンド環境で混在するロボットチームのための仮想スケジューリング環境を開発する。
  論文  参考訳（メタデータ） (2023-01-30T20:42:06Z)

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。