論文の概要: Edge-Based QoS-Aware Adaptive Task Placement: A Closed-Loop Control in Multi-Robot Systems
- arxiv url: http://arxiv.org/abs/2606.00552v1
- Date: Sat, 30 May 2026 05:54:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 18:31:46.058316
- Title: Edge-Based QoS-Aware Adaptive Task Placement: A Closed-Loop Control in Multi-Robot Systems
- Title（参考訳）: エッジベースQoS対応タスク配置:マルチロボットシステムにおけるクローズドループ制御
- Abstract要約: 本稿では、Raspberry Piノードを用いて、カメラとマニピュレータのパイプラインを評価するパイロットエッジ中心型MSSテストベッドを提案する。
その結果、ATP対応コントローラは、測定されたレイテンシと利用しきい値に基づいてタスク配置を切り替えることで、納期違反や末尾遅延を一貫して低減できることがわかった。
- 参考スコア（独自算出の注目度）: 5.480084037947013
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-robot systems (MRS) increasingly offload compute-intensive perception tasks to edge nodes to meet strict time-sensitive Quality-of-Service (QoS) constraints. However, static task orchestration on a shared edge node can severely degrade QoS due to network latency, jitter, and edge-resource contention. We present a pilot edge-centric MRS testbed using Raspberry Pi nodes to evaluate a camera-to-manipulator pipeline under three modes: local execution, static offloading, and a QoS-aware Adaptive Task Placement (ATP) controller. ATP scores candidate placements using a multi-metric cost (normalized latency, CPU utilization, and switching overhead) over two-second control windows. The closed-loop visual servoing testbed is instrumented with sub-millisecond clock synchronization, network emulation, and detailed monitoring of multiple metrics across nodes to capture realistic jitter. Experimental results under compute-stress and network-fault scenarios show that static edge offloading reduces on-board CPU load but amplifies tail latency and deadline misses. In contrast, the QoS-aware ATP controller, by switching task placement based on measured latency and utilization thresholds, consistently lowers deadline violations and tail latency. Overall, the results position ATP as a practical edge-side control primitive for MRS and concrete design guidelines for Cloud-Edge Robotics deployments within the broader cloud-fog automation, while motivating QoS-aware multi-objective workload orchestration for industrial cyber-physical systems.
- Abstract（参考訳）: マルチロボットシステム(MRS)は、計算集約的な知覚タスクをエッジノードにオフロードし、厳密な時間依存性のQuality-of-Service(QoS)制約を満たす。
しかし、共有エッジノード上の静的タスクオーケストレーションは、ネットワークレイテンシ、ジッタ、エッジリソース競合により、QoSを著しく劣化させる可能性がある。
本稿では、Raspberry Piノードを用いて、ローカル実行、静的オフロード、およびQoS対応アダプティブタスクプレースメント(ATP)コントローラの3つのモードで、カメラからマニピュレータパイプラインを評価するパイロットエッジ中心のMSSテストベッドを提案する。
ATPは2秒の制御ウィンドウ上で、マルチメトリックコスト(正規化レイテンシ、CPU利用、切り替えオーバーヘッド)を使用して、候補の配置をスコアする。
クローズドループビジュアルサーボテストベッドは、ミリ秒以下のクロック同期、ネットワークエミュレーション、および現実的なジッタを捉えるためにノード間の複数のメトリクスの詳細なモニタリングを備える。
計算ストレスとネットワークフォールトシナリオによる実験結果から、静的エッジのオフロードはCPU負荷を低減しますが、テールレイテンシとデッドラインミスを増幅します。
対照的に、QoS対応ATPコントローラは、測定されたレイテンシと利用しきい値に基づいてタスク配置を切り替えることで、期限違反とテールレイテンシを一貫して低下させる。
全体として、ATPはMSSの実用的なエッジサイドコントロールプリミティブであり、クラウドフォグ自動化におけるCloud-Edge Roboticsデプロイメントの具体的な設計ガイドラインであると同時に、産業用サイバー物理システムのためのQoS対応の多目的ワークロードオーケストレーションを動機付けている。
関連論文リスト
- DAG-Based QoS-Aware Dynamic Task Placement for Networked Multi-Stage Control Pipelines [5.531395561451493]
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。
論文 参考訳（メタデータ） (2026-05-19T14:17:02Z) - Centralizing Task-based Approach to Quantum Network Control [71.48385446560893]
階層アーキテクチャは、量子ネットワークに厳格な設計とタイミング制約を課します。
我々は、集中型コントローラを利用することで、リソース中心のタスクベースの量子ネットワーク制御アプローチをシミュレートする。
論文 参考訳（メタデータ） (2026-05-05T03:57:17Z) - NeuralEmu: in situ Measurement-Driven, ML-based, High-Fidelity 5G Network Emulation [10.133170438359604]
我々は高忠実で機械学習に基づくエミュレーションフレームワークであるNeuralEmuを紹介する。
ネットワークテレメトリツールから直接,複雑な5Gスケジューラリソース割り当て動作を学習する。
様々なネットワークアプリケーションに対する技術状況に対するエミュレーションエラーを低減する。
論文 参考訳（メタデータ） (2026-04-28T19:46:42Z) - Speculative Policy Orchestration: A Latency-Resilient Framework for Cloud-Robotic Manipulation [6.709418204725671]
クラウドロボティクスは、ロボットが高次元のモーションプランニングと推論をリモートサーバーにオフロードすることを可能にする。
高周波制御を必要とする継続的な操作のために、ネットワーク遅延とジッタはシステムを不安定にすることができる。
我々は,遅延耐性のクラウドエッジフレームワークである投機的ポリシーオーケストレーション(SPO)を提案する。
論文 参考訳（メタデータ） (2026-03-19T19:24:14Z) - Vision-Language Models on the Edge for Real-Time Robotic Perception [0.22940141855172028]
6G内のエッジインテリジェンス、特にOpen RANとMulti- Access Edge Computingは、これらの課題に対処するための経路を提供する。
本研究は,Unitree G1ヒューマノイドロボットを具現化したテストベッドとして,ORAN/MECインフラストラクチャ上でのビジョンランゲージモデルの展開について検討する。
その結果,エッジデプロイメントはクラウドに近い精度を保ちながら,エンドツーエンドのレイテンシを5%削減できることがわかった。
論文 参考訳（メタデータ） (2026-01-21T12:09:48Z) - HALO: Semantic-Aware Distributed LLM Inference in Lossy Edge Network [50.33808558714122]
エッジでの大規模言語モデル(LLM)推論は、ユーザのプライバシを保護すると同時に、サービスの応答性を促進する。
損失エッジネットワークにおける分散LLM推論を向上する新しいフレームワークであるHALOを提案する。
Raspberry Piクラスタによる実験の結果、HALOは信頼性の低いネットワーク条件下でLLaMAシリーズLLMの3.41倍のエンドツーエンドのスピードアップを達成した。
論文 参考訳（メタデータ） (2026-01-16T07:37:23Z) - Adaptive t Design Dummy-Gate Obfuscation for Cryogenic Scale Enforcement [0.0]
クラウド量子サービスは、スケジューラメタデータ、レイテンシパターン、共テナント干渉を通じて、回路構造とタイミングを明らかにすることができる。
我々は,ゲートモデルワークロードの運用上のプライバシを強制するスケジューリングおよび難読化スタックであるNADGOを紹介する。
低温CMOS制御による4キュービット超伝導タイルの試作を行い,深度可変ローカルランダム回路と小型QAOAインスタンスの両特性について検討した。
論文 参考訳（メタデータ） (2025-08-31T12:12:48Z) - Implementing Reinforcement Learning Datacenter Congestion Control in NVIDIA NICs [64.26714148634228]
渋滞制御 (CC) アルゴリズムの設計は非常に困難になる。
現在、計算能力に制限があるため、ネットワークデバイスにAIモデルをデプロイすることはできない。
我々は,近年の強化学習CCアルゴリズムに基づく計算軽度解を構築した。
論文 参考訳（メタデータ） (2022-07-05T20:42:24Z) - MAPLE-Edge: A Runtime Latency Predictor for Edge Devices [80.01591186546793]
汎用ハードウェアの最先端遅延予測器であるMAPLEのエッジデバイス指向拡張であるMAPLE-Edgeを提案する。
MAPLEと比較して、MAPLE-Edgeはより小さなCPUパフォーマンスカウンタを使用して、ランタイムとターゲットデバイスプラットフォームを記述することができる。
また、共通ランタイムを共有するデバイスプール上でトレーニングを行うMAPLEとは異なり、MAPLE-Edgeは実行時に効果的に一般化できることを示す。
論文 参考訳（メタデータ） (2022-04-27T14:00:48Z) - Deep Reinforcement Learning for Wireless Scheduling in Distributed Networked Control [37.10638636086814]
完全分散無線制御システム(WNCS)の周波数チャネル数に制限のある結合アップリンクとダウンリンクのスケジューリング問題を考える。
深層強化学習(DRL)に基づくフレームワークを開発した。
DRLにおける大きなアクション空間の課題に対処するために,新しいアクション空間削減法とアクション埋め込み法を提案する。
論文 参考訳（メタデータ） (2021-09-26T11:27:12Z) - EdgeBERT: Sentence-Level Energy Optimizations for Latency-Aware
Multi-Task NLP Inference [82.1584439276834]
BERTのようなトランスフォーマーベースの言語モデルでは、自然言語処理(NLP)タスクの精度が大幅に向上する。
We present EdgeBERT, a in-deepth algorithm- hardware co-design for latency-aware energy optimization for multi-task NLP。
論文 参考訳（メタデータ） (2020-11-28T19:21:47Z)
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。