論文の概要: LEAP-NBV: Lightweight Edge Active-Perception for Foundation-Model Next-Best-View Planning
- arxiv url: http://arxiv.org/abs/2609.23974v1
- Date: Mon, 21 Sep 2026 01:07:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:03.960283
- Title: LEAP-NBV: Lightweight Edge Active-Perception for Foundation-Model Next-Best-View Planning
- Title（参考訳）: LEAP-NBV: 基礎モデル次世代計画のための軽量エッジアクティブ・パーセプション
- Abstract要約: ファンデーションモデルは、より大きな知性を持つ自律システムを提供しています。
Human Mesh Recovery (HMR)は、ターゲットの3Dポーズと形状の有用な推定を提供する。
本稿では,軽量なアクティブパーセプションフレームワークLEAP-NBVを提案する。
- 参考スコア（独自算出の注目度）: 6.198560254557406
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Foundation models are endowing autonomous systems with greater intelligence, enabling a more comprehensive understanding of the environment through visual perception. A representative example is Human Mesh Recovery (HMR), which provides useful estimates of a target's 3D pose and shape that can benefit tactical missions. However, the size and power demands of such models make them difficult to run on edge platforms and limit their real-time performance, undermining the requirements of tactical edge deployment - especially for active perception, where a mobile robot must plan its next-best view on-board and cannot offload computation under contested communications. We present LEAP-NBV, a lightweight active-perception framework that runs foundation-model-driven Next-Best-View (NBV) planning on-board an edge device. To this end, we distill a family of large HMR teachers, each into a compact 32M student, with an offline mesh objective, then quantize the vision encoder to FP16 and characterize its on-device accuracy and latency. Within an occlusion-aware active perception loop, we evaluate all configurations on the same held-out benchmark and deploy the end-to-end pipeline on an NVIDIA Jetson Xavier NX, reporting measured on-device latency and energy. Distillation recovers 6-7 mm of Procrustes-aligned mean per-vertex position error (PA-MPVPE) over the undistilled student on the test set. Selecting the edge-optimal compression model brings the HMR engine to ~12 ms at a small accuracy cost and runs the full closed loop at 3.6 FPS and 2.6 J per frame, achieving a 2.0x speedup and 3.0x lower energy than the uncompressed model while nearly matching downstream task quality.
- Abstract（参考訳）: ファンデーションモデルは、より優れた知性を備えた自律システムを提供し、視覚的知覚を通じて環境をより包括的に理解することを可能にする。
代表的な例としてHuman Mesh Recovery(HMR)がある。これは、ターゲットの3Dポーズと形状の有用な見積もりを提供し、戦術的なミッションに役立てることができる。
しかし、そのようなモデルのサイズとパワーの要求は、エッジプラットフォーム上で実行し、リアルタイムのパフォーマンスを制限し、戦術的なエッジデプロイメントの要求を損なう。
基礎モデル駆動のNext-Best-View(NBV)をエッジデバイス上で計画する軽量なアクティブパーセプションフレームワークであるLEAP-NBVを提案する。
この目的のために、我々は大規模なHMR教師のファミリーを、オフラインメッシュ目的のコンパクトな32M学生に蒸留し、視覚エンコーダをFP16に定量化し、デバイス上の精度とレイテンシを特徴付ける。
我々は、オクルージョン対応アクティブな知覚ループ内で、同じホールドアウトベンチマーク上のすべての構成を評価し、NVIDIA Jetson Xavier NX上でエンドツーエンドパイプラインをデプロイし、デバイス上のレイテンシとエネルギの測定を報告した。
蒸留は, 試験セット上の未蒸留学生に対して, 平均頂点位置誤差(PA-MPVPE)を6～7mm回復させる。
エッジ最適化圧縮モデルを選択することで、HMRエンジンは低コストで約12msとなり、1フレームあたり3.6FPSと2.6Jで全閉ループを走らせ、下流のタスク品質とほぼ一致しながら2.0倍のスピードアップと3.0倍のエネルギーを達成できる。
関連論文リスト
- Embodied-Navigator: Point, Think, Memorize, and Align for Efficient Navigation [68.02899606570223]
本稿では,効率的なエンボディナビゲーションのための統合フレームワークであるTAMP-Navを提案する。
まず、ナビゲーションを2次元の視覚座標に再構成するPixel-to-3D Action Formulation(Point)を導入する。
次に,Selective Reasoning and Anchor-Trajectory Memory Mechanism (Think and Memorize)を提案する。
論文 参考訳（メタデータ） (2026-08-18T08:37:08Z) - MITE-Net: SWaP-Optimized 4K Video Tiny Target Perception for Embodied Edge SAR [9.484473274465303]
高解像度画像におけるリアルタイムの小さな目標認識は、SAR(Search-and-Rescue)ミッションの実施に不可欠である。
本稿では,新しいアーキテクチャ,特殊なデータセット,ハードウェアレベルのベンチマークを含む包括的なフレームワークを紹介する。
論文 参考訳（メタデータ） (2026-08-16T16:02:56Z) - Efficient PEFT Methods with Adaptive Checkpointing for Vision Models and VLMs on Resource Constrained Consumer-GPUs [0.0]
本稿では,Transformers- (ViT-Small, TinyViT) と Mamba-based vision backbones (Vim-Small, MambaVision-T) の5つのパラメータ効率細調整法を比較した。
ゼロショットコントラスト型視覚言語モデル(OpenCLIP, SigLIP)、軽量評価プロトコルを用いた自己監督型視覚バックボーン(DINOv2)、プロンプトベース分類のための自己回帰型VLM(PaliGemma, MobileVLM, SmolVLM)の3つのファミリーを評価した。
CIFAR-100とDTDの実験
論文 参考訳（メタデータ） (2026-07-02T13:31:29Z) - LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation [53.88286427894783]
視覚言語モデル(VLM)は、ロボット分野において、言語コンテキストによる環境認識を可能にする強力なツールとして登場した。
しかし、彼らの計算フットプリントは、通常、それらをクラウド実行に制限し、リソースに制約のあるロボットへのローカルなデプロイによる低レイテンシの推論を妨げる。
本稿では,大規模フロンティアモデルからの複雑な空間意味推論を,組み込みGPUデバイス上でエッジ実行を行うための軽量な4BパラメータローカルVLMに転送する蒸留戦略を提案する。
論文 参考訳（メタデータ） (2026-06-26T09:11:59Z) - Instance-level Visual Active Tracking with Occlusion-Aware Planning [61.982298426203165]
Visual Active Tracking (VAT)は、カメラを3D空間でターゲットに追従することを目的としている。
VATは、視覚的に類似したイントラクタからの混乱と、閉塞下での深刻な障害という、現実世界のデプロイメントにおいて2つの重要なボトルネックに直面している。
3つの相補的なモジュールを持つ統一パイプラインであるOA-VATを提案する。
論文 参考訳（メタデータ） (2026-04-23T09:11:50Z) - HY-Embodied-0.5: Embodied Foundation Models for Real-World Agents [71.09493646932046]
本稿では,実世界のエンボディエージェントに特化して設計された基礎モデルのファウンデーションモデルであるHY-Embodied-0.5を紹介する。
HY-Embodied-0.5スイートは、エッジ配置用に設計された2Bアクティベートパラメータを持つ効率的なモデルと、複雑な推論をターゲットとした32Bアクティベートパラメータを持つ強力なモデルである。
私たちのMoT-2Bモデルは16ベンチマークで同等の大きさの最先端モデルより優れていますが、32BはGemini 3.0 Proのようなフロンティアモデルに匹敵するパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2026-04-08T17:59:48Z) - TinyML Enhances CubeSat Mission Capabilities [8.462623779881566]
本稿では,画像分類のための畳み込みニューラルネットワーク(ConvNets)モデル最適化と配置パイプラインを提案する。
我々のパイプラインは、構造化された反復プルーニング、後のINT8量子化、および圧縮モデルへのハードウェア対応オペレータマッピングを統合している。
最適化されたモデルでは、RAM使用率89.55%、フラッシュメモリ709%の平均的な削減が示されている。
論文 参考訳（メタデータ） (2026-03-20T17:51:07Z) - LeWorldModel: Stable End-to-End Joint-Embedding Predictive Architecture from Pixels [49.35636088613484]
JEPA(Joint Embedding Predictive Architectures)は、コンパクトな潜在空間で世界モデルを学習するための魅力的なフレームワークを提供する。
最初のJEPAであるLeModelWorldを紹介します。
数時間で1つのGPU上で15万のパラメータをトレーニングできるため、LeWMはファンデーションモデルベースの世界モデルよりも48倍高速に計画している。
論文 参考訳（メタデータ） (2026-03-13T19:48:14Z) - TinyBEV: Cross Modal Knowledge Distillation for Efficient Multi Task Bird's Eye View Perception and Planning [0.0]
我々は、大規模な計画指向の教師のフルスタック能力を、コンパクトでリアルタイムな学生モデルに抽出する、統一されたカメラのみのBird's Eye View (BEV)フレームワークであるTinyBEVを紹介する。
TinyBEVは完全な自律スタック3D検出、HDマップセグメンテーション、モーション予測、占有率予測、28M-パラメータバックボーン内の目標指向計画をサポートする。
我々のモデル非依存多段階蒸留戦略は,高容量マルチモーダル知識を軽量BEVに効果的に伝達するために,特徴レベル,出力レベル,適応型領域認識の監視を組み合わせる。
論文 参考訳（メタデータ） (2025-09-22T19:54:02Z) - A Light Perspective for 3D Object Detection [46.23578780480946]
本稿では,最先端のDeep Learning技術を特徴抽出に取り入れた新しい手法を提案する。
私たちのモデルであるNextBEVは、ResNet50やMobileNetV3といった既存の機能抽出ツールを超えています。
これらの軽量な提案を融合することにより、VoxelNetベースのモデルの精度を2.93%向上し、PointPillarベースのモデルのF1スコアを約20%改善しました。
論文 参考訳（メタデータ） (2025-03-10T10:03:23Z)
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。