論文の概要: Jetson-ORB-SLAM3: Accuracy-Preserving GPU Implementation for Edge Computing Devices
- arxiv url: http://arxiv.org/abs/2608.17874v1
- Date: Tue, 18 Aug 2026 15:07:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.373074
- Title: Jetson-ORB-SLAM3: Accuracy-Preserving GPU Implementation for Edge Computing Devices
- Title（参考訳）: Jetson-ORB-SLAM3:エッジコンピューティングデバイスのための精度保存GPU実装
- Abstract要約: NVIDIA Jetson Orin Nano用のORB-SLAM3の精度保存GPU実装を提案する。
単分子慣性モードでは、システムは11個のEuRoC配列で32FPSの平均を維持できる。
- 参考スコア（独自算出の注目度）: 0.09558392439655011
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visual-inertial SLAM on low-power edge platforms is constrained by the cost of dense feature extraction and loop closure. Prior GPU ports of ORB-SLAM trade accuracy for speed by approximating the ORB detector, altering the feature set and therefore the estimated trajectory. We present an accuracy-preserving GPU implementation of ORB-SLAM3 for the NVIDIA Jetson Orin Nano, whose GPU ORB front end reproduces the reference CPU detector algorithmically to 94.7% exact keypoint agreement and 99.9% descriptor bit agreement. This work also makes CNN-based loop closure edge-viable through native TensorRT. The visual front end (feature extraction) is offloaded to the GPU while the mapping and optimization back end is kept on the CPU, matching each computation to the hardware it suits. The accuracy is verified by comparing four configurations: the GPU pipeline and the unmodified CPU reference, each run on both the Jetson Orin Nano and a desktop. On EuRoC dataset, all four agree to within 0.10cm in mean absolute trajectory error (SE(3)), so neither the GPU port nor the change of hardware shifts the estimated trajectory. The GPU-versus-CPU comparison is reproducible on TUM-VI and KITTI datasets, so the acceleration is accuracy-preserving rather than approximate. The proposed implementation is competitive with published ORB-SLAM3 on EuRoC, attains sub-centimeter accuracy on five of the six TUM-VI room sequences, and reaches sub-1% relative translation error on nine of eleven KITTI sequences. For loop closure, the generic ONNX-Runtime CUDA/TensorRT execution providers are unusable with our CosPlace ResNet-50 on the embedded platform, whereas a native libnvinfer FP16 engine reduces per-query inference to 2.2ms, a 180x speedup. Learned place recognition therefore runs concurrently with tracking on a 7W device. In monocular-inertial mode the system sustains 32FPS mean over the eleven EuRoC sequences.
- Abstract（参考訳）: 低消費電力エッジプラットフォーム上での視覚慣性SLAMは、高密度特徴抽出とループ閉鎖のコストによって制約される。
ORB-SLAMの以前のGPUポートは、ORB検出器を近似し、特徴セットと推定軌跡を変更することにより、速度に対するORB-SLAMのトレードオフ精度が向上した。
NVIDIA Jetson Orin Nano用のORB-SLAM3の精度保存GPU実装を提案する。そのGPUORBフロントエンドは参照CPU検出器をアルゴリズム的に94.7%の正確なキーポイント一致と99.9%のディスクリプタビット一致に再現する。
この作業は、ネイティブTensorRTを通じてCNNベースのループクロージャをエッジで実行可能にする。
視覚的なフロントエンド(機能抽出)はGPUにオフロードされ、マッピングと最適化のバックエンドはCPU上に保持され、各計算とそれが適合するハードウェアにマッチする。
正確性は、GPUパイプラインと修正されていないCPU参照の4つの構成を比較して検証される。
EuRoCデータセットでは、4つとも0.10cm以内の絶対軌道誤差(SE(3))に一致しているため、GPUポートもハードウェアの変更も推定軌道をシフトしない。
GPU対CPU比較はTUM-VIデータセットとKITTIデータセットで再現可能であるため、加速度は近似ではなく精度保存である。
提案手法はEuRoC上で公開されたORB-SLAM3と競合し、6つのTUM-VIルームシーケンスのうち5つでサブセンチメートル精度を実現し、11のKITTIシーケンスのうち9つで1%以下の相対翻訳誤差に達した。
ONNX-Runtime CUDA/TensorRTの実行プロバイダは、組み込みプラットフォーム上のCosPlace ResNet-50では使用できないが、ネイティブのlibnvinfer FP16エンジンはクエリごとの推論を2.2msに削減し、180倍のスピードアップを実現している。
したがって、学習された場所認識は、7Wデバイス上でのトラッキングと並行して実行される。
単分子慣性モードでは、システムは11個のEuRoC配列で32FPSの平均を維持できる。
関連論文リスト
- A Modern Multimodal Assistant on a 6 GB 2011 GPU: Stage-Validated, All-GPU CUDA Inference for Fermi [0.0]
このレポートはハードウェアを維持し、適合するモデルに何ができるかを尋ねる。
SigLIP2エンコーダとウィンドウアテンションマージを組み合わせた,現代的なマルチモーダルアシスタントであるMini-V-4.6をデプロイする。
システムは、画像質問のエンドツーエンドを1.7秒で答える。
論文 参考訳（メタデータ） (2026-07-16T04:48:44Z) - GPUSparse: GPU-Accelerated Learned Sparse Retrieval with Parallel Inverted Indices [3.3723515662362265]
本稿では,GPUを高速化した正確なスパース検索システムであるGPUSparseを提案する。
ブロック整列されたワープ対応のポストリストを持つGPU並列逆インデックスを使用する。
Batched scatter-add スコアリングアルゴリズムは数百のクエリを同時に処理する。
論文 参考訳（メタデータ） (2026-06-24T23:07:57Z) - Forge-UGC: FX optimization and register-graph engine for universal graph compiler [2.587194279527956]
OpenVINOやONNXのような既存のフレームワークは、しばしば不透明なコンパイルパイプラインを使用する。
Forge-UGCは、グラフキャプチャ、最適化、中間表現の低下、バックエンドスケジューリングを分離するハードウェアに依存しない設計でこの問題に対処する。
論文 参考訳（メタデータ） (2026-04-14T04:39:16Z) - FastLoop: Parallel Loop Closing with GPU-Acceleration in Visual SLAM [8.555551861128174]
本稿では,この計算複雑性を緩和するGPUアクセラレーションループ閉包モジュールであるFastLoopを提案する。
視覚SLAMのループクローズパイプラインにおける重要なパフォーマンスボトルネックを特定し、GPU上での並列最適化を通じてそれらに対処する。
論文 参考訳（メタデータ） (2026-03-17T23:04:48Z) - GPU-Accelerated Interpretable Generalization for Rapid Cyberattack Detection and Forensics [0.0]
IGメカニズムは最近IEEE Transactions on Information Forensics and Securityで公開され、最先端のエビデンスベースの侵入検知を提供する。
我々は、PyTorchの再設計であるIG-GPUを紹介し、すべてのペアの交叉とサブセット評価をコモディティGPUにオフロードする。
15kレコードのNSL-KDDデータセットでは、IG-GPUはIGのマルチコアCPU実装よりも116倍のスピードアップを示している。
論文 参考訳（メタデータ） (2025-07-16T12:38:19Z) - Speedy MASt3R [68.47052557089631]
MASt3Rは、DUSt3Rを活用して高速な相互マッチング方式を導入することで、画像マッチングを3Dタスクとして再定義する。
高速MASt3Rは、精度を犠牲にすることなく、推論時間(画像ペアあたり198msから91ms)を54%削減する。
この進歩により、リアルタイムな3D理解が可能になり、複合現実ナビゲーションや大規模3Dシーン再構築といったアプリケーションに恩恵をもたらす。
論文 参考訳（メタデータ） (2025-03-13T03:56:22Z) - INR-Arch: A Dataflow Architecture and Compiler for Arbitrary-Order
Gradient Computations in Implicit Neural Representation Processing [66.00729477511219]
計算グラフとして表される関数を考えると、従来のアーキテクチャはn階勾配を効率的に計算する上で困難に直面している。
InR-Archは,n階勾配の計算グラフをハードウェア最適化データフローアーキテクチャに変換するフレームワークである。
1.8-4.8x と 1.5-3.6x の高速化を CPU と GPU のベースラインと比較した結果を示す。
論文 参考訳（メタデータ） (2023-08-11T04:24:39Z) - Accelerating Training and Inference of Graph Neural Networks with Fast
Sampling and Pipelining [58.10436813430554]
グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。
我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。
本稿では,これらのボトルネックを緩和する一連の改良点について述べる。
また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
論文 参考訳（メタデータ） (2021-10-16T02:41:35Z) - Efficient and Generic 1D Dilated Convolution Layer for Deep Learning [52.899995651639436]
幅広いパラメータをカバーする汎用的な1D畳み込み層の効率的な実装を紹介します。
特にIntel AVX-512とAVX-512 BFloat16命令を含むアーキテクチャ向けに最適化されている。
本稿では,最適化された1次元畳み込み層の性能を,実際のゲノミクスデータセットを用いたエンドツーエンドニューラルネットワークトレーニングで実証する。
論文 参考訳（メタデータ） (2021-04-16T09:54:30Z) - FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。
現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。
提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
論文 参考訳（メタデータ） (2021-03-08T03:09:37Z) - RT3D: Achieving Real-Time Execution of 3D Convolutional Neural Networks
on Mobile Devices [57.877112704841366]
本稿では3次元CNNのためのモデル圧縮およびモバイルアクセラレーションフレームワークRT3Dを提案する。
3D CNNのリアルタイム実行は、市販のモバイル上で初めて実現された。
論文 参考訳（メタデータ） (2020-07-20T02:05:32Z)
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。