論文の概要: Communication-Aware Robot Execution for Cloud Inference under Spatially Heterogeneous Connectivity

• arxiv url: http://arxiv.org/abs/2606.31497v1
• Date: Tue, 30 Jun 2026 11:15:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.191409
• Title: Communication-Aware Robot Execution for Cloud Inference under Spatially Heterogeneous Connectivity
• Title（参考訳）: 空間的不均一接続下におけるクラウド推論のための通信対応ロボットの実行
• Authors: Fengkai Liu, Yuichi Ohsita, Masayuki Murata, Hideyuki Shimonishi,
• Abstract要約: クラウドでホストされるファンデーションモデルは、ロボットが計算の限界を超えたセマンティック推論を使用することを可能にする。 リクエスト応答ウィンドウを導入し、次のクラウドサイクルに必要な時間を特徴付ける。 フレームワークは、次の要求ポイントを進行中のプリミティブ実行中の動作決定として扱い、クラウド要求の提出に十分な通信品質を提供するためにそれを選択します。
• 参考スコア（独自算出の注目度）: 2.306331259031651
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cloud-hosted foundation models enable robots to use semantic reasoning beyond onboard computational limits. In this setting, the robot executes a currently available primitive generated by the cloud, and continued task progress requires the next cloud result before this primitive is exhausted. This execution becomes fragile under spatially heterogeneous connectivity, because the current primitive determines when the next result is needed, whereas the wireless environment determines where the next request can be submitted and where the response can be retrieved. Strategies that reduce latency or improve individual transmissions can shorten this dependency, but they do not determine a submission location that supports reliable upload and leaves a feasible opportunity for response retrieval. To address this problem, we introduce the request--response window, which characterizes the time required for the next cloud cycle, including uplink transmission, cloud inference, downlink retrieval, and inference uncertainty. Building on this window and an available communication map, the proposed framework treats the next request point as a motion decision during ongoing primitive execution, selecting it to provide sufficient communication quality for cloud request submission while preserving progress within the finite support of the current primitive. The selected request point is incorporated into a local planner, which guides the robot toward the request point before submission and then continues task execution while maintaining sufficient connectivity for retrieving the next cloud result. Experiments in an indoor wireless scenario built from measurements show that the proposed method achieves the best or tied-best task success among the compared methods, while using fewer request attempts and producing lower request failure rates.
• Abstract（参考訳）: クラウドでホストされるファンデーションモデルは、ロボットが計算の限界を超えたセマンティック推論を使用することを可能にする。 この設定では、ロボットはクラウドによって生成された現在利用可能なプリミティブを実行する。 この実行は、現在のプリミティブが次の結果が必要なタイミングを決定するのに対して、無線環境は次の要求の提出先と応答の検索先を決定するため、空間的に不均一な接続下で脆弱になる。 レイテンシを削減したり、個々の送信を改善する戦略は、依存関係を短縮するが、信頼できるアップロードをサポートする提出場所を判断せず、応答検索の可能な機会を残している。 この問題に対処するために,アップリンク送信,クラウド推論,ダウンリンク検索,推論の不確実性など,次のクラウドサイクルに必要な時間を特徴付ける要求応答ウィンドウを導入する。 このウインドウと利用可能な通信マップに基づいて、提案フレームワークは、進行中のプリミティブ実行中に次のリクエストポイントを動作決定として扱い、現在のプリミティブの有限サポート内で進捗を保ちながら、クラウドリクエストの送信に十分な通信品質を提供するように選択する。 選択された要求ポイントをローカルプランナーに組み込んで、ロボットを提出前の要求ポイントに向けて誘導し、次にクラウド結果を取得するための十分な接続性を維持しながらタスク実行を継続する。 実測から構築した屋内無線シナリオにおける実験により,提案手法は,要求数が少なく,要求失敗率も低くなる一方で,比較手法の中で最良あるいは最良なタスク成功を達成できることが示されている。

関連論文リスト

• Cloud Is Closer Than It Appears: Revisiting the Tradeoffs of Distributed Real-Time Inference [3.9986079633630975]
  サイバー物理システム(CPS)のディープニューラルネットワーク(DNN)は知覚の忠実度を高めるが、実行プラットフォームにかなりの計算的要求を課す。 従来の分散CPSアーキテクチャは、ネットワークのばらつきや競合によるリモートプラットフォームへの遅延を避けるためにデバイス上の推論を好んでいる。 本研究では、クラウドベースの推論が本質的に遅延に敏感な制御タスクには適さないという仮定を再考する。
  論文  参考訳（メタデータ） (2026-02-17T20:44:13Z)
• CSGO: Generalized Optimization for Cold Start in Wireless Collaborative Edge LLM Systems [62.24576366776727]
  本稿では,全体の推論遅延を最小限に抑えるために,遅延を考慮したスケジューリングフレームワークを提案する。 提案手法は,ベースライン戦略と比較して,コールドスタート遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2025-08-15T07:49:22Z)
• AI Flow at the Network Edge [58.31090055138711]
  AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。 この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
  論文  参考訳（メタデータ） (2024-11-19T12:51:17Z)
• Point-JEPA: A Joint Embedding Predictive Architecture for Self-Supervised Learning on Point Cloud [0.0]
  我々は、ポイントクラウドデータに特化して設計された統合埋め込み予測アーキテクチャであるPoint-JEPAを紹介する。 入力空間の再構成や追加のモダリティを回避しつつ、最先端の手法による競合結果を得る。
  論文  参考訳（メタデータ） (2024-04-25T09:07:19Z)
• Towards Efficient Object Re-Identification with A Novel Cloud-Edge Collaborative Framework [25.587445307574132]
  オブジェクト再識別(ReID)は、カメラ間で同じアイデンティティのオブジェクトを探すためにコミットされる。 現在のReID手法は、デプロイされたシステムが集中処理パラダイムに従うことを前提としている。 本稿では,ReIDシステムのためのクラウドエッジ協調フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-04T02:56:50Z)
• Hierarchical Training of Deep Neural Networks Using Early Exiting [42.186536611404165]
  深層ニューラルネットワークは、ビジョンタスクに最先端の精度を提供するが、トレーニングにはかなりのリソースを必要とする。 ディープニューラルネットワークは、データを取得するエッジデバイスから遠く離れたクラウドサーバでトレーニングされる。 本研究では,エッジワーカとクラウドワーカの分割アーキテクチャにおける早期出口を用いた,深層ニューラルネットワークの階層的学習手法を提案する。
  論文  参考訳（メタデータ） (2023-03-04T11:30:16Z)
• Deep Reinforcement Learning for Trajectory Path Planning and Distributed Inference in Resource-Constrained UAV Swarms [6.649753747542209]
  本研究の目的は,UAVSwarmにおける分散協調推論要求と経路計画のためのモデルの設計である。 定式化問題はNPハードであるため、最適解を見つけることは極めて複雑である。 我々は、広範囲なシミュレーションを行い、その結果を、我々のモデルが競合モデルより優れていることを示す最先端の研究と比較する。
  論文  参考訳（メタデータ） (2022-12-21T17:16:42Z)

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。