論文の概要: Hardware-Accelerated Instance Segmentation for Resource-Constrained Space Robotics with Criticality Analysis
- arxiv url: http://arxiv.org/abs/2609.02219v1
- Date: Wed, 02 Sep 2026 07:33:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.135286
- Title: Hardware-Accelerated Instance Segmentation for Resource-Constrained Space Robotics with Criticality Analysis
- Title（参考訳）: 臨界解析による資源制約型宇宙ロボティクスのためのハードウェア高速化インスタンスセグメンテーション
- Abstract要約: 資源制約のある月面ロボットのためのデプロイメント指向のインスタンスセグメンテーションフレームワークを提案する。
我々は,厳密な計算制約の下で,準安定化校正とシステムレベルの欠陥露光を共同で処理する。
その結果、統合されたアプローチと、宇宙展開の制約の下で信頼性が高く安全なAI認識フレームワークの青写真が示される。
- 参考スコア（独自算出の注目度）: 4.514832807541816
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Autonomous lunar missions require real-time per- ception under three coupled constraints: extreme low-light conditions, limited onboard compute, and radiation-induced hardware faults that can silently corrupt inference. We present a deployment-oriented instance segmentation framework for resource-constrained lunar robotics that jointly addresses quan- tization calibration and system-level fault exposure under strict compute constraints. First, we introduce Activation Variance Informative Sampling (AVIS), a label-free calibration strategy that deterministically selects calibration samples based on activation variance statistics. Second, we deploy a YOLO-based segmentation model on a Deep Learning Processor Unit (DPU) with architectural modifications that reduce CPU fallback paths and enable statically compiled execution with bounded latency in low-lighting conditions. We further introduce a software-level criticality analysis to estimate fault exposure and guide mitigation under radiation-constrained operation. On a lunar micro-rover platform, AVIS with bias correction recovers 69.8% of quantization-induced accuracy loss while achieving 309 ms inference latency and 5.7 W power consumption. Targeted mitigation reduces global criticality by 31.7%. The results demonstrate an integrated approach and a blueprint for a reliable and safe AI perception framework under space deployment constraints.
- Abstract（参考訳）: 自律的な月面ミッションでは、極度の低照度条件、オンボード計算の制限、そして静かに推論を損なう可能性のある放射線によるハードウェア障害という、3つの制約の下で、リアルタイムで受け入れる必要がある。
本稿では,厳密な計算制約の下で,準安定化校正とシステムレベルの欠陥暴露に共同で対処する,資源制約のある月面ロボットのための展開指向のインスタンスセグメンテーションフレームワークを提案する。
まず、アクティベーション分散統計に基づいてキャリブレーションサンプルを決定的に選択するラベルフリーキャリブレーション戦略であるアクティベーションバリアンスインフォーマティブサンプリング(AVIS)を導入する。
次に,DPU(Deep Learning Processor Unit)上にYOLOベースのセグメンテーションモデルをデプロイし,CPUのフォールバックパスを低減し,低照度条件下でのバウンドレイテンシによる静的コンパイル実行を実現する。
さらに, 放射線拘束下での故障露光とガイド緩和を推定するためのソフトウェアレベルの臨界度解析を導入する。
月のマイクロローバープラットフォームでは、バイアス補正のあるAVISは、309msの推論遅延と5.7Wの消費電力を達成しつつ、量子化による精度損失の69.8%を回復する。
標的緩和は世界の臨界度を31.7%減少させる。
この結果は、宇宙展開制約下での信頼性と安全性を備えたAI認識フレームワークのための統合されたアプローチと青写真を示している。
関連論文リスト
- Adaptive Error Budget Allocation for Fault-Tolerant Quantum Resource Estimation: A Metaheuristic Approach [0.14323566945483496]
システムレベルのリソース推定は、フォールトトレラントな量子コンピューティングツールチェーンの重要なコンポーネントである。
そこで我々は,Azure Quantum Resource Estor上で,微分自由探索を直接行うトレーニングフリー最適化フレームワークを提案する。
MQTベンチの31ファミリーから2から91キュービットに及ぶ433個の回路上で,本フレームワークの評価を行った。
論文 参考訳（メタデータ） (2026-08-16T07:14:29Z) - Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。
NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
論文 参考訳（メタデータ） (2026-05-21T16:45:31Z) - A KL Lens on Quantization: Fast, Forward-Only Sensitivity for Mixed-Precision SSM-Transformer Models [9.31160191200499]
エッジデバイス上の大規模言語モデル(LLM)は、計算とメモリの厳しい制約に直面している。
量子化誘起劣化に最も敏感なハイブリッドSSM-トランスフォーマーコンポーネントを同定するための,軽量でバックプロパゲーションフリーなサロゲート型感度分析フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-15T03:40:30Z) - Deep Learning-Based Anomaly Detection in Spacecraft Telemetry on Edge Devices [0.038233569758620044]
本稿では,衛星テレメトリ異常検出のための3つのアプローチについて検討する。
欧州宇宙機関異常データセット上で,多目的ニューラルアーキテクチャ最適化を用いてエッジ配置に最適化する。
最適化されたモデルでは、CubeSat RAMのわずか0.36-6.25%しか必要とせず、高度に制約されたハードウェア上でも、オンボードの異常検出を実用的なものにしている。
論文 参考訳（メタデータ） (2026-03-31T07:45:40Z) - Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。
テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。
Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文 参考訳（メタデータ） (2026-03-23T14:48:54Z) - ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。
我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
論文 参考訳（メタデータ） (2026-02-27T05:22:01Z) - Self-Supervised Path Planning in Unstructured Environments via Global-Guided Differentiable Hard Constraint Projection [5.665217514922631]
本研究では,非構造化環境における自律ナビゲーションのためのディープラーニングエージェントをデプロイするための自己教師型フレームワークを提案する。
データ不足を軽減するため,手動ラベリングを使わずに高密度の監視信号を提供するG-APF(Global-Guided Artificial Potential Field)を構築した。
20,000のシナリオからなるテストセットのベンチマークでは、88.75%の成功率を示し、強化された運用安全性を実証している。
論文 参考訳（メタデータ） (2026-01-27T08:37:21Z) - Noise-Robust Tiny Object Localization with Flows [63.60972031108944]
フレキシブルなエラーモデリングと不確実性誘導最適化に正規化フローを活用するノイズローバストローカライゼーションフレームワークを提案する。
本手法は,フローベース誤差モデルを用いて,複雑な非ガウス予測分布を抽出し,ノイズの多い監視下で頑健な学習を可能にする。
不確実性を考慮した勾配変調機構は、トレーニングを安定化しながら過度な適合を緩和し、高不確実でノイズの強いサンプルからの学習をさらに抑制する。
論文 参考訳（メタデータ） (2026-01-02T09:16:55Z) - RIFT: A Scalable Methodology for LLM Accelerator Fault Assessment using Reinforcement Learning [0.0]
RIFT(Reinforcement Learning-guided Intelligent Fault Targeting)は、最小限の高インパクト障害シナリオの発見を自動化するスケーラブルなフレームワークである。
RIFTは、最悪のケース障害の複雑な探索をシーケンシャルな意思決定問題に変換する。
論文 参考訳（メタデータ） (2025-12-10T17:07:19Z) - Convergence and Generalization of Anti-Regularization for Parametric Models [0.0]
反正則化は損失関数に逆符号を持つ報酬項を導入する。
スペクトル安全性条件と信頼領域制約を定式化する。
我々は、プロジェクション演算子と勾配クリッピングを組み合わせた軽量な安全ガードを設計し、安定した介入を保証する。
論文 参考訳（メタデータ） (2025-08-24T15:34:17Z) - GAQAT: gradient-adaptive quantization-aware training for domain generalization [54.31450550793485]
そこで本研究では,DGのためのGAQAT(Gradient-Adaptive Quantization-Aware Training)フレームワークを提案する。
我々のアプローチは、低精度量子化におけるスケール・グラディエント・コンフリクト問題を特定することから始まる。
GAQATフレームワークの有効性を実験により検証した。
論文 参考訳（メタデータ） (2024-12-07T06:07:21Z) - Code-as-Monitor: Constraint-aware Visual Programming for Reactive and Proactive Robotic Failure Detection [56.66677293607114]
オープンセットのリアクティブかつアクティブな障害検出のためのCode-as-Monitor(CaM)を提案する。
モニタリングの精度と効率を高めるために,制約関連エンティティを抽象化する制約要素を導入する。
実験により、CaMは28.7%高い成功率を達成し、厳しい乱れの下で実行時間を31.8%短縮することが示された。
論文 参考訳（メタデータ） (2024-12-05T18:58:27Z)
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。