論文の概要: Fully-sensorized smart-eyewear platform for on-device Machine Learning

• arxiv url: http://arxiv.org/abs/2607.16222v1
• Date: Wed, 17 Jun 2026 17:11:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.040954
• Title: Fully-sensorized smart-eyewear platform for on-device Machine Learning
• Title（参考訳）: デバイス上での機械学習のためのフルセンサー付きスマートアイウェアプラットフォーム
• Abstract要約: ARGOは、人間工学的快適さ、高い計算スループット、エネルギー効率を橋渡しするために設計されたスマートアイウェアプラットフォームである。 主な貢献はハードウェア、ファームウェア、人工知能の総合的共同設計である。 このプラットフォームはマルチモーダルセンサースイート、RGBカメラ、タイム・オブ・ライトセンサー、マイク、周囲センサーを統合し、200mAhのバッテリーで113分連続で10FPSを提供する。
• 参考スコア（独自算出の注目度）: 1.3651611781068242
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper presents ARGO, a smart eyewear platform designed to bridge ergonomic comfort, high computational throughput, and energy efficiency. Unlike cloud-dependent solutions, ARGO leverages the STM32N6 microcontroller and its integrated Neural Processing Unit (NPU) to enable on-device machine learning, minimizing latency and preserving user privacy through local data processing. The primary contribution lies in the holistic co-design of hardware, firmware, and artificial intelligence, centered on the deployment of an optimized YOLOv11 model for real-time urban obstacle recognition. To ensure compatibility with the target NPU, we introduce Head-wise Parallel Attention (HPA), an architectural refinement that enables efficient accelerator execution while preserving the original computational logic. The model is trained on the Walking On The Road (WOTR) dataset, and the final deployed configuration achieves an mAP50-95 of 24 under strict memory constraints, with a memory footprint of only 2.483 MB. The platform integrates a multimodal sensor suite, RGB cameras, Time-of-Flight sensors, microphones, and ambient sensors, and delivers 10 FPS at a continuous autonomy of ~113 minutes on a 200 mAh battery. These results demonstrate the feasibility of a high-performance, privacy-preserving, and socially acceptable assistive device, and highlight how competitive edge AI solutions increasingly demand tightly integrated, multidisciplinary co-design approaches.
• Abstract（参考訳）: 本稿では、人間工学的快適性、高い計算スループット、エネルギー効率を橋渡しするスマートアイウェアプラットフォームARGOを提案する。 クラウドに依存したソリューションとは異なり、ARGOはSTM32N6マイクロコントローラと、その統合されたニューラル処理ユニット(NPU)を活用して、デバイス上での機械学習を可能にし、レイテンシを最小限にし、ローカルデータ処理を通じてユーザのプライバシを保存する。 主な貢献は、ハードウェア、ファームウェア、人工知能の総合的な共同設計であり、リアルタイムの都市障害物認識のために最適化されたYOLOv11モデルをデプロイすることに集中している。 対象のNPUとの互換性を確保するため,元の計算ロジックを保ちながら効率的なアクセラレーション実行を可能にするアーキテクチャ改良であるHPA(Head-wise Parallel Attention)を導入する。 モデルはウォーキング・オン・ザ・ロード(WOTR)データセットでトレーニングされ、最終的な配置設定では、厳密なメモリ制約の下で24のmAP50-95を達成し、メモリフットプリントは2.483MBに過ぎなかった。 プラットフォームにはマルチモーダルセンサースイート、RGBカメラ、タイム・オブ・ライトセンサー、マイク、周囲センサーが組み込まれ、200mAhのバッテリーで10 FPSを約113分連続で提供する。 これらの結果は、ハイパフォーマンス、プライバシ保護、社会的に許容される補助デバイスの実現可能性を示し、競合するエッジAIソリューションが、密に統合された多分野共同設計アプローチをますます要求していることを強調している。

関連論文リスト

• Seeing Through WiFi: Lightweight Human Pose Estimation with Dynamic Kernel Attention [55.570606479386434]
  WiFiベースのヒューマンポーズ推定(HPE)は、ウェアラブルデバイスを必要とせず、人体の位置や動きの検出と解釈を可能にする。 本稿では、WiFi CSI信号を用いた軽量で効率的なポーズ推定のための新しいフレームワークWiLHPEを提案する。
  論文  参考訳（メタデータ） (2026-07-03T11:04:05Z)
• Design and Validation of a Lightweight 1D CNN for Affective Touch Classification in Soft Plush Companions [59.49967357689445]
  ソフトなセンサー付きコンパニオンは、社会的支援技術のための物理的に安全で感情的に直感的なインターフェースを提供する。 本研究では,ソフト・インタラクティブ・コンパニオンにおける感情的触覚認識のためのディープラーニングモデルの開発と検証を目的とした,オープンソースで拡張されたリアルタイムフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-16T10:20:05Z)
• LSP-YOLO: A Lightweight Single-Stage Network for Sitting Posture Recognition on Embedded Devices [1.476945306033059]
  LSP-YOLOは、組み込みエッジデバイス上での姿勢認識のための軽量なシングルステージネットワークである。 モデルトレーニングとテストのために、6つの姿勢カテゴリにわたる5000の画像を含むデータセットを構築した。 最小のトレーニングモデルであるLSP-YOLO-nは、わずか1.9MBのパーソナルコンピュータ(PC)で94.2%の精度と251FPSを達成した。
  論文  参考訳（メタデータ） (2025-11-18T10:24:51Z)
• STAR: A Privacy-Preserving, Energy-Efficient Edge AI Framework for Human Activity Recognition via Wi-Fi CSI in Mobile and Pervasive Computing Environments [0.0]
  Wi-Fi Channel State Information (CSI)によるヒューマンアクティビティ認識は、スマートホーム、ヘルスケア監視、モバイルIoTシステムに適した、プライバシ保護、コンタクトレスセンシングアプローチを提供する。 本稿では,軽量ニューラルネットワーク,適応信号処理,ハードウェア対応協調最適化を統合したエッジAI最適化フレームワークSTAR(Sensing Technology for Activity Recognition)を提案する。 サブ秒以下の応答レイテンシと低消費電力により、リアルタイムでプライバシ保護のHARが保証され、モバイルおよび普及型コンピューティング環境に実用的なスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-10-30T05:08:25Z)
• HOMI: Ultra-Fast EdgeAI platform for Event Cameras [1.9923531555025618]
  イベントカメラは、非同期操作とスパースでイベント駆動の出力のため、エッジロボティクスアプリケーションに大きな利点をもたらす。 我々は、Xilinx Zynq UltraScale+MPSoC FPGAチップを備えたProphesee IMX636イベントセンサチップからなる、超低レイテンシでエンドツーエンドのエッジAIプラットフォームを提案する。
  論文  参考訳（メタデータ） (2025-08-18T05:47:48Z)
• ZIA: A Theoretical Framework for Zero-Input AI [0.0]
  Zero-Input AI(ZIA)は、明示的なユーザコマンドを使わずに、積極的な意図予測を可能にすることによって、人間とコンピュータのインタラクションのための新しいフレームワークを導入している。 リアルタイム推論のためのマルチモーダルモデルに、視線追跡、バイオシグナル(EEG、心拍数)、コンテキストデータ(時間、位置、使用履歴)を統合する。 ZIAは、アクセシビリティ、ヘルスケア、消費者アプリケーションのためのスケーラブルでプライバシ保護フレームワークを提供し、AIを予測知性に向けて前進させる。
  論文  参考訳（メタデータ） (2025-02-22T07:42:05Z)
• Efficient and accurate neural field reconstruction using resistive memory [52.68088466453264]
  デジタルコンピュータにおける従来の信号再構成手法は、ソフトウェアとハードウェアの両方の課題に直面している。 本稿では,スパース入力からの信号再構成のためのソフトウェア・ハードウェア協調最適化を用いた体系的アプローチを提案する。 この研究は、AI駆動の信号復元技術を進歩させ、将来の効率的で堅牢な医療AIと3Dビジョンアプリケーションへの道を開く。
  論文  参考訳（メタデータ） (2024-04-15T09:33:09Z)
• Random resistive memory-based deep extreme point learning machine for unified visual processing [67.51600474104171]
  ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。 我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
  論文  参考訳（メタデータ） (2023-12-14T09:46:16Z)
• Pruning random resistive memory for optimizing analogue AI [54.21621702814583]
  AIモデルは、エネルギー消費と環境持続可能性に前例のない課題を提示する。 有望な解決策の1つは、アナログコンピューティングを再考することである。 ここでは、構造的塑性に着想を得たエッジプルーニングを用いたユニバーサルソリューション、ソフトウェア・ハードウエアの共設計について報告する。
  論文  参考訳（メタデータ） (2023-11-13T08:59:01Z)
• MicroISP: Processing 32MP Photos on Mobile Devices with Deep Learning [114.66037224769005]
  エッジデバイスに特化して設計された新しいMicroISPモデルを提案する。 提案したソリューションは,モバイルMLライブラリを使用して,最新のスマートフォン上で最大32MPの写真を処理できる。 モデルのアーキテクチャは柔軟で、計算能力の異なるデバイスに複雑性を調整することができる。
  論文  参考訳（メタデータ） (2022-11-08T17:40:50Z)
• FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
  本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。 この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。 分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
  論文  参考訳（メタデータ） (2022-01-18T13:59:22Z)
• Edge AI without Compromise: Efficient, Versatile and Accurate Neurocomputing in Resistive Random-Access Memory [0.0]
  我々は,RRAM CIMを用いた最初のマルチモーダルエッジAIチップであるNeuRRAMを提案する。 計算ビット精度の異なる先行技術よりも, 5 倍のエネルギー効率を 5 倍から 8 倍に向上することを示す。 この作業は、高度に効率的で再構成可能なエッジAIハードウェアプラットフォームを構築するための道を開くものだ。
  論文  参考訳（メタデータ） (2021-08-17T21:08:51Z)

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。