論文の概要: TAPAS: Throughput-adaptive Perception for Autonomous Systems

• arxiv url: http://arxiv.org/abs/2607.17317v1
• Date: Sun, 19 Jul 2026 16:01:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.426086
• Title: TAPAS: Throughput-adaptive Perception for Autonomous Systems
• Title（参考訳）: TAPAS: 自律システムのためのスループット適応認識
• Abstract要約: モバイル/エッジプラットフォームのためのスループット適応型認識戦略を提案する。 RRM(Reward Reasoning Model)とGRU(Gated Recurrent Unit)エージェントを併用した強化学習(RL)を用いて知覚タスクの編成を行う。 我々は,KITTIおよび未確認のnuScenesにおいて,Jetson Orin NX上のTAPASを評価した。
• 参考スコア（独自算出の注目度）: 0.71579575288751
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous systems rely on a perception module to navigate through dynamic environments. In real-world scenarios, the perception module's throughput requirements vary at runtime due to changes in scene complexity. However, existing perception strategies assume a fixed FPS and static model-to-cluster mapping, resulting in either over/under provision of throughput requirements or unnecessary energy consumption across diverse scenes. Addressing this challenge requires tightly coupled \textit{scene complexity awareness} to estimate an appropriate FPS target and \textit{dynamic model-to-cluster mapping} to deliver the required throughput at minimum energy. We propose a throughput-adaptive perception strategy for mobile/edge platforms, enabling intelligent runtime resource allocation based on varying FPS targets. We use Reinforcement Learning (RL) with RRM (Reward Reasoning Model) and a GRU (Gated Recurrent Unit) agent to orchestrate perception tasks across heterogeneous mobile/edge platforms. We evaluate TAPAS on Jetson Orin NX across KITTI and unseen nuScenes. On the \textit{KITTI} dataset's test sequences, TAPAS achieves 93-100% throughput met rate while saving energy by 76%. On the unseen \textit{nuScenes} dataset, TAPAS maintains 97% throughput met rate with 64% lower energy compared to \textit{SOTA} approaches, proving its robustness.
• Abstract（参考訳）: 自律システムは動的環境をナビゲートするために知覚モジュールに依存している。 現実のシナリオでは、シーンの複雑さの変化により、知覚モジュールのスループット要求は実行時に変化する。 しかし、既存の認識戦略では、固定FPSと静的モデル-クラスタマッピングを前提としており、スループット要求のオーバー/アンダー供給や、様々な場面で不要なエネルギー消費が生じる。 この課題に対処するには、適切なFPSターゲットを推定するためには、密結合された \textit{scene complexity awareness} と、最小エネルギーで必要なスループットを提供するために \textit{dynamic model-to-cluster mapping} が必要である。 モバイル/エッジプラットフォーム向けのスループット適応型認識戦略を提案し,様々なFPS目標に基づいて,インテリジェントなランタイムリソース割り当てを実現する。 我々はRL(Reinforcement Learning)とRRM(Reward Reasoning Model)とGRU(Gated Recurrent Unit)エージェントを用いて、異種モバイル/エッジプラットフォーム間の認識タスクを編成する。 我々は,KITTIおよび未確認のnuScenesにおいて,Jetson Orin NX上のTAPASを評価した。 textit{KITTI}データセットのテストシーケンスでは、TAPASは93-100%のスループットを達成し、エネルギーを76%節約する。 未確認の \textit{nuScenes} データセットでは、TAPAS は 97% のスループットマッチングレートを 64% の低エネルギーで維持し、その堅牢性を証明している。

関連論文リスト

• CREST: Deployment-Realistic Hardware-in-the-Loop NAS for Embedded Sensing Systems [2.2395603134367446]
  ニューラルアーキテクチャサーチ(NAS)のためのデプロイリアリスティックなハードウェア・イン・ザ・ループフレームワークを提案する。 CREST (Cross-platform Evaluation and Search Tool) 我々は,3つのArm Cortex-Mターゲットにおける慣性音韻法と音声分類のCRESTを評価する。 慣性オドメトリーでは、測定エネルギーのHILサーチにより、FLOPsベースの選択に対して中央値の参照エネルギーが41.7%減少し、同じ誤差で41.7%減少する。
  論文  参考訳（メタデータ） (2026-06-12T22:48:13Z)
• DynaGraph: Lightweight Multi-Model Interaction Framework via Dynamic Topological Reconfiguration [7.0972889296550825]
  DynaGraphは、動的トポロジ的再構成によって駆動される軽量なマルチモデルフレームワークである。 タイムディビジョンのPEFTアダプタを共有ベースモデルに倍増し、完全なシステムトレーニングとデプロイメントを可能にする。 制限のない動的アーキテクチャと比較してレイテンシを最大68.1%削減し、トークン消費を68.6%削減する。
  論文  参考訳（メタデータ） (2026-05-28T07:33:29Z)
• Plan in Sandbox, Navigate in Open Worlds: Learning Physics-Grounded Abstracted Experience for Embodied Navigation [63.11032720821731]
  textitSAGEは、エージェントがフォトリアリスティックなシミュレーションではなく、物理基底のセマンティック抽象化内で学習することを可能にするフレームワークである。 textitSAGEは、A-EQA上で53.21% LLM-Match Success Rateを達成することで、プランナー支援の実施ナビゲーションを大幅に改善することを示した。
  論文  参考訳（メタデータ） (2026-05-11T07:34:30Z)
• SIMPLER: Efficient Foundation Model Adaptation via Similarity-Guided Layer Pruning for Earth Observation [3.1313965020437546]
  SIMPLERは,予測とデプロイメントのコストを削減できるアーキテクチャ選択手法である。 Prithvi-EO-2では、SIMPLERは最大79%のパラメータを持ち、ベースライン性能は94%であり、2.1倍のトレーニングスピードアップと2.6倍の推論スピードアップをもたらす。
  論文  参考訳（メタデータ） (2026-03-20T11:38:32Z)
• Rethinking Multi-Condition DiTs: Eliminating Redundant Attention via Position-Alignment and Keyword-Scoping [61.459927600301654]
  マルチコンディション制御は従来のコンカデント・アンド・アットエンドの戦略によってボトルネックとなる。 分析の結果,これらの相互作用の多くは空間的にも意味的にも冗長であることがわかった。 本稿では,これらの冗長性を解消するための高効率なフレームワークであるPKAを提案する。
  論文  参考訳（メタデータ） (2026-02-06T16:39:10Z)
• Elastic Attention: Test-time Adaptive Sparsity Ratios for Efficient Transformers [42.80120203718226]
  本稿では,入力に基づいて全体空間を調整できるElastic Attentionを提案する。 8xA800 GPU上でのトレーニングをわずか12時間以内で行うと、モデルが強い性能と効率的な推論を達成できる。
  論文  参考訳（メタデータ） (2026-01-24T08:22:07Z)
• ZeroDVFS: Zero-Shot LLM-Guided Core and Frequency Allocation for Embedded Platforms [7.633618497843279]
  マルチコアプラットフォーム上での熱・エネルギーを考慮したスケジューリングのためのモデルベース階層型マルチエージェント強化学習(MARL)フレームワークを提案する。 第一決定レイテンシはテーブルベースのプロファイリングよりも8,300倍高速で、動的組み込みシステムに実用的なデプロイを可能にする。
  論文  参考訳（メタデータ） (2026-01-13T02:56:06Z)
• SCOPE: Prompt Evolution for Enhancing Agent Effectiveness [53.75986399936395]
  大規模言語モデル(LLM)エージェントは、大規模で動的なコンテキストを生成する環境にますますデプロイされている。 エージェントはこのコンテキストにアクセスできますが、静的なプロンプトには効果的に管理するメカニズムがありません。 textbfSCOPE (Self-evolving Context Optimization via Prompt Evolution) を導入する。 本稿では,戦術的特異性(即時誤りの解消)と戦略的汎用性(長期原則の進化)のバランスをとるデュアルストリーム機構を提案する。
  論文  参考訳（メタデータ） (2025-12-17T12:25:05Z)
• AVERY: Adaptive VLM Split Computing through Embodied Self-Awareness for Efficient Disaster Response Systems [6.294240680169978]
  災害時の無人航空機(UAV)は、CNNが提供できない複雑なクエリー可能な知性を必要とする。 本稿では,適応型分割計算によるVLMデプロイメントを実現するフレームワークであるAVERYを紹介する。
  論文  参考訳（メタデータ） (2025-11-22T18:42:04Z)
• Pixel-Optimization-Free Patch Attack on Stereo Depth Estimation [37.97727884936262]
  画素最適化攻撃を4つのステレオマッチングステージに拡張する統合フレームワークを構築した。 我々は,最初のピクセル最適化フリー攻撃であるPatchHunterを提案する。 KITTIでは、PatchHunterは、有効性とブラックボックス転送性の両方においてピクセルレベルの攻撃より優れている。
  論文  参考訳（メタデータ） (2025-06-21T08:23:02Z)
• Test-Time Model Adaptation with Only Forward Passes [68.11784295706995]
  テストタイム適応は、トレーニング済みのモデルを、潜在的に分布シフトのある未確認テストサンプルに適応させるのに有効であることが証明されている。 テスト時間フォワード最適化適応法(FOA)を提案する。 FOAは量子化された8ビットのViTで動作し、32ビットのViTで勾配ベースのTENTより優れ、ImageNet-Cで最大24倍のメモリ削減を実現する。
  論文  参考訳（メタデータ） (2024-04-02T05:34:33Z)
• Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching [77.133400999703]
  相関に基づくステレオマッチングは優れた性能を達成した。 固定モデルによる現在のメソッドは、さまざまなデータセットで均一に動作しない。 本稿では,ロバストなステレオマッチングのための相関を動的に計算する新しい視点を提案する。
  論文  参考訳（メタデータ） (2023-07-26T09:47:37Z)
• Hierarchical Over-the-Air FedGradNorm [50.756991828015316]
  MTL(Multi-task Learning)は、単一の共有ネットワークで複数の関連するタスクを同時に学習する学習パラダイムである。 我々は,HOTA-FedGradNormと呼ばれる動的重み付け戦略を用いた階層的オーバー・ザ・エア(HOTA)PFLを提案する。
  論文  参考訳（メタデータ） (2022-12-14T18:54:46Z)
• LCS: Learning Compressible Subspaces for Adaptive Network Compression at Inference Time [57.52251547365967]
  本稿では,ニューラルネットワークの「圧縮可能な部分空間」を訓練する手法を提案する。 構造的・非構造的空間に対する推定時間における微粒な精度・効率のトレードオフを任意に達成するための結果を示す。 我々のアルゴリズムは、可変ビット幅での量子化にまで拡張し、個別に訓練されたネットワークと同等の精度を実現する。
  論文  参考訳（メタデータ） (2021-10-08T17:03:34Z)
• PnP-DETR: Towards Efficient Visual Analysis with Transformers [146.55679348493587]
  近年、DeTRはトランスフォーマーを用いたソリューションビジョンタスクの先駆者であり、画像特徴マップを直接オブジェクト結果に変換する。 最近の変圧器を用いた画像認識モデルとTTは、一貫した効率向上を示す。
  論文  参考訳（メタデータ） (2021-09-15T01:10:30Z)
• Layer Pruning on Demand with Intermediate CTC [50.509073206630994]
  我々はコネクショニスト時間分類(CTC)に基づくASRの訓練と刈り取り方法を提案する。 本稿では,Transformer-CTCモデルをオンデマンドで様々な深さでプルーニングできることを示し,GPU上でのリアルタイム係数を0.005から0.002に改善した。
  論文  参考訳（メタデータ） (2021-06-17T02:40:18Z)

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。