論文の概要: APEX-RBD: Mixed-Precision Exploration Framework for Hardware-Efficient Robot Dynamics Accelerator Design

• arxiv url: http://arxiv.org/abs/2609.05161v1
• Date: Fri, 04 Sep 2026 14:02:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.064614
• Title: APEX-RBD: Mixed-Precision Exploration Framework for Hardware-Efficient Robot Dynamics Accelerator Design
• Title（参考訳）: APEX-RBD:ハードウェア効率の良いロボットダイナミクス加速器設計のための混合精度探索フレームワーク
• Abstract要約: APEX-RBDは、混合精度探索を計算可能とし、ハードウェア効率の高い構成を識別する自動化フレームワークである。 その結果、APEX-RBDは最大1.9$times$面積削減と1.8$times$省電力を実現する設計を発見した。
• 参考スコア（独自算出の注目度）: 9.797891283123723
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rigid Body Dynamics (RBD) forms the computational core of real-time robotic control, but its immense computational complexity creates a performance bottleneck that necessitates dedicated hardware accelerators. However, the substantial hardware resource and power costs of these accelerators make their deployment on resource-constrained edge platforms highly challenging. While quantization offers a promising path to optimize RBD hardware for edge computing, existing uniform-precision approaches remain inefficient by ignoring the diverse quantization sensitivities of different variables. Although mixed-precision offers a superior alternative, its exploration is intractable due to a vast search space and the prohibitive cost of closed-loop simulation for motion accuracy evaluation. To address these challenges, we introduce APEX-RBD, an automated framework that makes mixed-precision exploration computationally tractable while effectively identifying hardware-efficient configurations. Specifically, it performs physics-driven search space pruning via variable grouping and sensitivity analysis, and employs a data-efficient, prior-informed surrogate model to enable rapid trajectory error prediction. This formulation guides a hybrid optimizer to identify area- and power-efficient designs under user-defined accuracy and performance constraints. Experimental results demonstrate that APEX-RBD discovers designs achieving up to 1.9$\times$ area reduction and 1.8$\times$ power savings compared to uniform-precision baselines across diverse robotic platforms.
• Abstract（参考訳）: Rigid Body Dynamics(RBD)は、リアルタイムロボット制御の計算コアを形成するが、その膨大な計算複雑性は、専用のハードウェアアクセラレータを必要とするパフォーマンスボトルネックを生み出す。 しかし、これらのアクセラレーターの相当なハードウェアリソースと電力コストは、リソースに制約のあるエッジプラットフォームへの展開を非常に困難にしている。 量子化は、エッジコンピューティングのためにRBDハードウェアを最適化するための有望な経路を提供するが、既存の均一精度アプローチは、異なる変数の様々な量子化感度を無視して非効率である。 混合精度は優れた代替手段を提供するが、その探索は広い探索空間と、運動精度評価のための閉ループシミュレーションの禁止コストのために難航する。 これらの課題に対処するために、ハードウェア効率のよい構成を効果的に識別しながら、混合精度探索を計算可能とする自動フレームワークAPEX-RBDを導入する。 具体的には、可変グルーピングと感度解析を通じて物理駆動の探索空間プルーニングを行い、高速な軌道誤差予測を可能にするために、データ効率の高い事前インフォームドサロゲートモデルを用いる。 この定式化は、ユーザ定義の精度と性能の制約の下で、面積と電力効率のよい設計を特定するためのハイブリッドオプティマイザを導く。 実験の結果、APEX-RBDは、様々なロボットプラットフォームで一様精度のベースラインと比較して、面積削減と1.8$\times$電力節約を達成できる設計を発見した。

関連論文リスト

• Deployment-Aligned Low-Precision Neural Architecture Search for Spaceborne Edge AI [1.1666234644810893]
  ハードウェア対応ニューラルアーキテクチャサーチ(NAS)に直接配置整列型低精度トレーニングを導入する。 我々は,Intel Movidius Myriad X Visual Processing Unit (VPU) をターゲットとした,有人海洋監視のための船体セグメンテーションの枠組みについて検討した。 その結果、ハードウェア対応NASに配置一貫性のある数値制約を組み込むことで、リソース制約のあるエッジ人工知能(AI)の最適化と配置の堅牢性と整合性を大幅に向上することが示されている。
  論文  参考訳（メタデータ） (2026-04-27T13:58:18Z)
• Algorithm and Hardware Co-Design for Efficient Complex-Valued Uncertainty Estimation [10.567064384827196]
  複素値ニューラルネットワーク(CVNN)は、複素数を含むタスクの処理において利点がある。 既存のCVNNは予測の不確実性を定量化できない。 本研究では,ベイズCVNN(BayesCVNN)を用いて,不確実な定量化を実現する手法を提案する。
  論文  参考訳（メタデータ） (2026-04-21T21:06:00Z)
• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• Physically Accurate Rigid-Body Dynamics in Particle-Based Simulation [38.44669833143752]
  粒子ベースのシミュレータは、現在のシミュレータに代わる魅力的な代替手段を提供する。 位置ベース力学(PBD)は、その計算効率と視覚的可視性で有名な解法である。 物理的に正確な剛体力学を強制する PBD-R を改訂した PBD-R を導入する。
  論文  参考訳（メタデータ） (2026-03-15T22:09:42Z)
• Dynamic Speculative Agent Planning [57.630218933994534]
  大規模な言語モデルベースのエージェントは、遅延の禁止と推論コストのために、重要なデプロイメント課題に直面している。 本稿では,オンライン強化学習フレームワークである動的投機計画(Dynamic Speculative Planning, DSP)を紹介する。 2つの標準エージェントベンチマークの実験では、DSPは高速加速法に匹敵する効率を達成し、総コストを30%削減し、不要コストを60%まで削減している。
  論文  参考訳（メタデータ） (2025-09-02T03:34:36Z)
• POLARON: Precision-aware On-device Learning and Adaptive Runtime-cONfigurable AI acceleration [0.0]
  本研究は,効率的な乗算累積演算を行うSIMD対応マルチ精度MACエンジンを提案する。 このアーキテクチャは、計算精度をワークロードの感度に合わせるための層適応的精度戦略を取り入れている。 その結果,PDPは最大で2倍,資源使用量は3倍に改善した。
  論文  参考訳（メタデータ） (2025-06-10T13:33:02Z)
• QuartDepth: Post-Training Quantization for Real-Time Depth Estimation on the Edge [55.75103034526652]
  ASIC のハードウェアアクセラレーションによる MDE モデルの定量化を後学習量子化に応用した QuartDepth を提案する。 提案手法では,重みとアクティベーションの両方を4ビット精度で定量化し,モデルサイズと計算コストを削減する。 我々は、カーネル融合とカスタマイズされた命令プログラム性をサポートすることにより、フレキシブルでプログラム可能なハードウェアアクセラレータを設計する。
  論文  参考訳（メタデータ） (2025-03-20T21:03:10Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• Dynamic Range Reduction via Branch-and-Bound [1.0141085397402314]
  ハードウェアアクセラレーターを強化するための主要な戦略は、算術演算における精度の低下である。 本稿ではQUBO問題における精度向上のための完全原理分岐境界アルゴリズムを提案する。 実験は、実際の量子アニール上でのアルゴリズムの有効性を検証する。
  論文  参考訳（メタデータ） (2024-09-17T03:07:56Z)
• Enhancing Dropout-based Bayesian Neural Networks with Multi-Exit on FPGA [20.629635991749808]
  本稿では,フィールドプログラマブルゲートアレイ(FPGA)ベースのアクセラレータを効率よく生成するアルゴリズムとハードウェアの共同設計フレームワークを提案する。 アルゴリズムレベルでは、計算とメモリのオーバーヘッドを低減した、新しいマルチエグジット・ドロップアウトベースのベイズNNを提案する。 ハードウェアレベルでは,提案する効率的なベイズNNのためのFPGAベースのアクセラレータを生成するための変換フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-20T17:08:42Z)
• 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)
• HEAT: Hardware-Efficient Automatic Tensor Decomposition for Transformer Compression [69.36555801766762]
  本稿では,分解可能な指数空間を効率的に探索できるハードウェア対応テンソル分解フレームワークHEATを提案する。 ハードウェア対応のBERT変異体は, エネルギー遅延を5.7倍に低減し, 精度が1.1%以下であることを示す。
  論文  参考訳（メタデータ） (2022-11-30T05:31:45Z)

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。