論文の概要: Improving Autonomous Nano-drones Performance via Automated End-to-End Optimization and Deployment of DNNs

• arxiv url: http://arxiv.org/abs/2607.12593v1
• Date: Tue, 14 Jul 2026 10:12:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.116243
• Title: Improving Autonomous Nano-drones Performance via Automated End-to-End Optimization and Deployment of DNNs
• Title（参考訳）: エンド・ツー・エンドの自動最適化とDNNの展開による自律型ナノドローンの性能向上
• Abstract要約: 我々は,ナノUAVの自律航法のための最先端CNNであるPULP-Dronetの展開に着目する。 従来の手作りCNNと比較すると,メモリフットプリントの2倍,推論時間の1.6倍の高速化が見られた。 新しいアプリケーションと将来の研究を促進するため、私たちはすべてのソフトウェア設計をCrzyflie 2.1と互換性のあるプロジェクトとしてオープンソースにしました。
• 参考スコア（独自算出の注目度）: 16.339855473306475
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The evolution of energy-efficient ultra-low-power (ULP) parallel processors and the diffusion of convolutional neural networks (CNNs) are fueling the advent of autonomous driving nano-sized unmanned aerial vehicles (UAVs). These sub-10 cm robotic platforms are envisioned as next-generation ubiquitous smart-sensors and unobtrusive robotic-helpers. However, the limited computational/memory resources available aboard nano-UAVs introduce the challenge of minimizing and optimizing vision-based CNNs -- which to date require error-prone, labor-intensive iterative development flows. This work explores methodologies and software tools to streamline and automate all the deployment of vision-based CNN navigation on a ULP multicore system-on-chip acting as a mission computer on a Crazyflie 2.1 nano-UAV. We focus on the deployment of PULP-Dronet, a state-of-the-art CNN for autonomous navigation of nano-UAVs, from the initial training to the final closed-loop evaluation. Compared to the original hand-crafted CNN, our results show a 2x reduction of memory footprint and a speedup of 1.6x in inference time while guaranteeing the same prediction accuracy and significantly improving the behavior in the field, achieving: i) obstacle avoidance with a peak braking-speed of 1.65 m/s and improving the speed/braking-space ratio of the baseline, ii) free flight in a familiar environment up to 1.96 m/s (0.5 m/s for the baseline), and iii) lane following on a path featuring a 90 deg turn -- all while using for computation less than 1.6% of the drone's power budget. To foster new applications and future research, we open-source all the software design in a ready-to-run project compatible with the Crazyflie 2.1
• Abstract（参考訳）: エネルギー効率のよい超低消費電力並列プロセッサ(ULP)の進化と畳み込みニューラルネットワーク(CNN)の拡散は、自律走行ナノサイズの無人航空機(UAV)の出現を後押ししている。 これらの10cm以下のロボットプラットフォームは、次世代のユビキタスなスマートセンサーと、邪魔にならないロボットヘルパーとして想定されている。 しかし、ナノUAVで利用可能な限られた計算/メモリリソースは、視覚ベースのCNNを最小化、最適化するという課題をもたらす。 この研究は、クレイジーフリー2.1ナノUAV上のミッションコンピュータとして機能するULPマルチコアシステムオンチップ上での視覚ベースのCNNナビゲーションの全てを合理化し、自動化するための方法論とソフトウェアツールを探究する。 我々は,ナノUAVの自律走行のための最先端CNNであるPULP-Dronetの展開に着目する。 また, 従来の手作りCNNと比較して, 2倍のメモリフットプリントと1.6倍の高速化を実現し, 同じ予測精度を保証し, フィールドの挙動を著しく改善した。 一 ピーク制動速度1.65m/sの障害物回避及びベースラインの速度/制動空間比の向上 二 使い慣れた環境において、一.96m/s(基準線が0.5m/s)まで自由飛行すること。 三 ドローンの電力予算の1.6%未満の計算に使用しながら、90デグのターンを特徴とする経路をたどる。 新しいアプリケーションと将来の研究を促進するために、私たちはすべてのソフトウェア設計をCrzyflie 2.1と互換性のあるプロジェクトとしてオープンソースにしました。

関連論文リスト

• 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)
• NanoCockpit: Performance-optimized Application Framework for AI-based Autonomous Nanorobotics [50.594459728605734]
  小型のフォームファクタ、すなわち10sグラムは、計算資源をSI100ミリワット以下のマイクロコントローラユニット(MCU)に著しく制限する。 本フレームワークは,タスクのシリアライズによるオーバーヘッドをゼロにすることで,クローズドループ制御性能の定量的改善を実現する。
  論文  参考訳（メタデータ） (2026-01-12T12:29:38Z)
• AI and Vision based Autonomous Navigation of Nano-Drones in Partially-Known Environments [8.595976385391896]
  この研究は、Crzyflie 2.1と呼ばれる、ポケットサイズの30グラムのプラットホームの安全かつ自律的な飛行を可能にすることに焦点を当てている。 統合センシング, コンピューティング, コミュニケーションのパラダイムを取り入れた, 障害物回避のためのAI支援型リアクティブ計画手法を提案する。 ドローンを毎秒$sim8$のフレームでコマンドできる能力と、COCOの平均平均精度が60.8ドルのモデル性能を示す。
  論文  参考訳（メタデータ） (2025-05-08T06:16:36Z)
• An Efficient Ground-aerial Transportation System for Pest Control Enabled by AI-based Autonomous Nano-UAVs [45.07031440932014]
  我々は、害虫検出のための小さな画像ベースの畳み込みニューラルネットワーク(CNN)を設計し、微調整し、最適化する。 我々のCNNは6.8フレーム/秒でリアルタイムに動作し、クレイジーフリーナノUAVに搭載されたGWT GAP9 System-on-Chip上で33mWが必要になります。 このシナリオでは、検査と治療の両方を行う従来の単座車両と比較して、効率的な輸送システムは最大20時間作業時間を節約できる。
  論文  参考訳（メタデータ） (2025-02-20T11:14:55Z)
• Generative Diffusion-based Contract Design for Efficient AI Twins Migration in Vehicular Embodied AI Networks [55.15079732226397]
  Embodied AIは、サイバースペースと物理空間のギャップを埋める、急速に進歩する分野だ。 VEANETでは、組み込まれたAIツインが車載AIアシスタントとして機能し、自律運転をサポートするさまざまなタスクを実行する。
  論文  参考訳（メタデータ） (2024-10-02T02:20:42Z)
• On-device Self-supervised Learning of Visual Perception Tasks aboard Hardware-limited Nano-quadrotors [53.59319391812798]
  SI50グラム以下のナノドロンは、学術と産業の両方で勢いを増している。 彼らの最も魅力的なアプリケーションは、知覚のためのディープラーニングモデルに依存している。 未知の環境にデプロイする場合、これらのモデルはドメインシフトによってパフォーマンスが低下することが多い。 本研究では,ナノドローンを用いたデバイス上での学習を初めて提案する。
  論文  参考訳（メタデータ） (2024-03-06T22:04:14Z)
• Optimized Deployment of Deep Neural Networks for Visual Pose Estimation on Nano-drones [9.806742394395322]
  小型無人航空機(UAV)は小型化が進み、屋内ナビゲーションや人体監視といった新しいタスクが可能になった。 本研究では,Deep Neural Networks (DNN) を用いた視覚的ポーズ推定タスクの自動最適化パイプラインを提案する。 その結果,アイソエラー時の予測遅延を最大3.22倍改善した。
  論文  参考訳（メタデータ） (2024-02-23T11:35:57Z)
• Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
  この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。 超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。 実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T14:14:08Z)
• Deep Neural Network Architecture Search for Accurate Visual Pose Estimation aboard Nano-UAVs [69.19616451596342]
  小型無人航空機(UAV)は、新興かつトレンドのトピックである。 我々は、新しいニューラルネットワーク探索(NAS)技術を活用し、視覚的ポーズ推定タスクのために複数の畳み込みニューラルネットワーク(CNN)を自動的に識別する。 その結果,10Hz@10mWおよび50Hz@90mWの実時間オンボード推算速度を達成しつつ,フィールド内制御誤差を32%低減し,現状を改善できた。
  論文  参考訳（メタデータ） (2023-03-03T14:02:09Z)
• Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural Networks on Edge NPUs [74.83613252825754]
  スマートエコシステム(smart ecosystems)"は、スタンドアロンではなく、センセーションが同時に行われるように形成されています。 これはデバイス上の推論パラダイムを、エッジにニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。 そこで本研究では,実行時のプリエンプションが到着・終了プロセスによってもたらされる動的性を考慮に入れた,新しい早期終了スケジューリングを提案する。
  論文  参考訳（メタデータ） (2022-09-27T15:04:01Z)

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。