論文の概要: ROSA: A Robotics Foundation Model Serving System for Robot Factories

• arxiv url: http://arxiv.org/abs/2607.01088v1
• Date: Wed, 01 Jul 2026 15:45:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.971422
• Title: ROSA: A Robotics Foundation Model Serving System for Robot Factories
• Title（参考訳）: ROSA:ロボットファクトリのためのロボット基礎モデルサービングシステム
• Abstract要約: ROSAは、3つの重要な原則に基づいて設計されたロボット工場のためのRAMサービスシステムである。 私たちは分散オーケストレーションのためにRay Serve上にROSAを実装し、モデル提供バックエンドとしてvLLM、PyTorch、JAXを使用します。 その結果,ROSAは従来の専用サービスシステムに比べて最大12.06倍の生産性向上を実現していることがわかった。
• 参考スコア（独自算出の注目度）: 14.13562485897012
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robotics foundation models (RFMs) are making general-purpose robots increasingly practical for factory deployments. While RFM serving systems are central to this vision, existing systems are largely shaped by a single-robot, single-model assumption: inference is treated as an edge-computing problem handled by an on-robot or dedicated nearby GPU, and the serving objective is to minimize the latency of a single action model. In this paper, we propose ROSA, an RFM serving system for robot factories designed around three key principles. First, ROSA adopts shared GPU-pool serving, allowing a fleet of robots to access powerful server-class GPUs over the network in order to improve inference performance, battery duration, and GPU utilization. Second, ROSA provides a robotics-aware programming abstraction and system design that supports multi-model pipelines, per-task performance requirements, and failure handling. Third, ROSA uses factory-objective-driven scheduling to maximize SLO-qualified factory productivity rather than minimizing individual request latency. We implement ROSA on top of Ray Serve for distributed orchestration, with vLLM, PyTorch, and JAX as model-serving backends, and evaluate it on both real robots and synthetic large-scale workloads. The results show that ROSA improves factory productivity by up to 12.06x over conventional dedicated serving systems.
• Abstract（参考訳）: ロボットファウンデーションモデル(RFM)は、工場の展開に汎用ロボットをますます実用的にしている。 RFMサービスシステムは、このビジョンの中心にあるが、既存のシステムは、主にシングルロボット、シングルモデル仮定によって形作られ、推論はオンロボットまたは専用GPUによって処理されるエッジ計算問題として扱われる。 本稿では,ロボット工場におけるRCMサービスシステムであるROSAを提案する。 まず、ROSAは共有GPUプールサービスを採用し、ロボット群が推論性能、バッテリ持続時間、GPU使用量を改善するために、ネットワーク上の強力なサーバクラスのGPUにアクセスできるようにする。 第2に、ROSAは、マルチモデルパイプライン、タスク毎のパフォーマンス要件、障害処理をサポートする、ロボティクス対応のプログラミング抽象化とシステム設計を提供する。 第3に、ROSAは、個々の要求待ち時間を最小化するのではなく、ファクトリオブジェクト駆動のスケジューリングを使用して、SLO資格のファクトリ生産性を最大化する。 我々は、分散オーケストレーションのためにRay Serve上にROSAを実装し、vLLM、PyTorch、JAXをモデル提供バックエンドとして、実際のロボットと大規模ワークロードの両方で評価する。 その結果,ROSAは従来の専用サービスシステムに比べて最大12.06倍の生産性向上を実現していることがわかった。

関連論文リスト

• ROS2SmolVLA: Enabling Small Vision-Language-Action Models for Integration into Industrial-Grade Lightweight Robots [0.8272083537040181]
  VLA(Vision-Language-Action)モデルは、この課題を緩和する有望な機会である。 本研究では,Hugging FaceのSmolVLAを軽量ロボットに適用する。 ROS 2 から SmolVLA へのインタフェースを実装したオープンソースリポジトリ ROS2SmolVLA をリリースする。
  論文  参考訳（メタデータ） (2026-08-24T14:36:52Z)
• ROSCell: A ROS2-Based Framework for Automated Formation and Orchestration of Multi-Robot Systems [0.4433169165028139]
  ROSCellは、様々なデバイスにまたがるコンピューティング連続体の形成と管理を可能にするフレームワークである。 動的生産環境における適応型マルチロボットコンピューティングのためのスケーラブルで低オーバーヘッドな基盤を提供する。 ROSCellは、エッジデバイス上のK3sベースのソリューションに比べてCPU、メモリ、ネットワークオーバーヘッドを大幅に削減する。
  論文  参考訳（メタデータ） (2026-03-24T19:56:32Z)
• RoboReward: General-Purpose Vision-Language Reward Models for Robotics [124.34685604054312]
  視覚言語モデル(VLM)は、自動報酬モデルとして期待されているが、実際のロボットタスクにおけるそれらの効果は理解されていない。 大規模な実ロボットコーパス上に構築されたロボティクス報酬データセットとベンチマークであるRoboRewardを導入することで、このギャップを埋めることを目指している。
  論文  参考訳（メタデータ） (2026-01-02T12:47:34Z)
• Distilling On-device Language Models for Robot Planning with Minimal Human Intervention [116.93160528413655]
  PRISMは、SLM(Small Language Model)対応ロボットプランナーを蒸留するためのフレームワークである。 PRISMを3つのLCM対応プランナーに適用し、マッピング、探索、操作、家事支援を行う。 GPT-4o の 10-20% から 93% 以上まで, PRISM は Llama-3.2-3B の性能を向上することを示した。
  論文  参考訳（メタデータ） (2025-06-20T21:44:27Z)
• Robot-R1: Reinforcement Learning for Enhanced Embodied Reasoning in Robotics [55.05920313034645]
  本稿では,ロボット制御に特化して具体的推論を強化するため,強化学習を活用した新しいフレームワークであるRobot-R1を紹介する。 DeepSeek-R1学習アプローチにインスパイアされたRobot-R1は、推論に基づく応答をサンプリングし、より正確な予測につながるものを強化する。 実験の結果,ロボットR1で訓練したモデルは,具体的推論タスクにおいて,SFT法よりも優れていた。
  論文  参考訳（メタデータ） (2025-05-29T16:41:12Z)
• Deploying Foundation Model-Enabled Air and Ground Robots in the Field: Challenges and Opportunities [65.98704516122228]
  基礎モデル(FM)をロボット工学に統合することで、ロボットは自然言語を理解し、環境のセマンティクスを推論できるようになった。 本稿では,FM対応ロボットを現場に展開する上で,大規模で非構造的な環境下でのロボットの運用に必要なミッションについて述べる。 数kmのミッションを持つ非構造環境下での大規模LLM対応ロボット計画の実証実験を行った。
  論文  参考訳（メタデータ） (2025-05-14T15:28:43Z)
• Enabling Novel Mission Operations and Interactions with ROSA: The Robot Operating System Agent [6.031333490943827]
  本稿では,ロボットオペレーティングシステム(ROS)と自然言語インタフェースのギャップを埋めるAIエージェントであるROSA(Robot Operating System Agent)を紹介する。 最先端の言語モデルを活用し、オープンソースのフレームワークを統合することで、ROSAはオペレーターが自然言語を使ってロボットと対話することを可能にする。
  論文  参考訳（メタデータ） (2024-10-09T01:54:02Z)
• RoboScript: Code Generation for Free-Form Manipulation Tasks across Real and Simulation [77.41969287400977]
  本稿では,コード生成を利用したデプロイ可能なロボット操作パイプラインのためのプラットフォームである textbfRobotScript を提案する。 自由形自然言語におけるロボット操作タスクのためのコード生成ベンチマークも提案する。 我々は,Franka と UR5 のロボットアームを含む,複数のロボットエボディメントにまたがるコード生成フレームワークの適応性を実証した。
  論文  参考訳（メタデータ） (2024-02-22T15:12:00Z)
• AutoRT: Embodied Foundation Models for Large Scale Orchestration of Robotic Agents [109.3804962220498]
  AutoRTは、人間の監督を最小限に抑えて、完全に見えないシナリオで運用ロボットの展開をスケールアップするシステムである。 われわれはAutoRTが複数の建物にまたがる20以上のロボットに指示を提示し、遠隔操作と自律ロボットポリシーを通じて77万個の実ロボットエピソードを収集するデモを行った。 実験により,AutoRTが収集した「未使用データ」は極めて多種多様であり,AutoRTのLLMを使用することで,人間の好みに合わせることができるデータ収集ロボットの指示が可能であることを実証した。
  論文  参考訳（メタデータ） (2024-01-23T18:45:54Z)
• PACT: Perception-Action Causal Transformer for Autoregressive Robotics Pre-Training [25.50131893785007]
  本研究は,ロボットにおける複数のタスクの出発点として機能する汎用表現を事前学習するためのパラダイムを導入する。 本稿では,ロボットデータから直接表現を自己管理的に構築することを目的として,PACT(Perception-Action Causal Transformer)を提案する。 より大規模な事前学習モデル上に小さなタスク特化ネットワークを微調整すると、同時に1つのモデルをスクラッチからトレーニングするのに比べ、性能が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2022-09-22T16:20:17Z)
• Autonomous Intruder Detection Using a ROS-Based Multi-Robot System Equipped with 2D-LiDAR Sensors [0.5512295869673147]
  本稿では,中央ロボットMIDNetによる全ロボットからの検知を集中処理する単一距離センサ/ロボットシナリオにおける侵入者検出のためのマルチロボットシステムを提案する。 この作業は、人手なしで倉庫に自律的なマルチロボットセキュリティソリューションを提供することを目的としている。
  論文  参考訳（メタデータ） (2020-11-07T19:49:07Z)

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。