論文の概要: PEARL: A Lightweight Prompt-based Feature Interpreter Framework for Real-Time, Anonymous, and Heterogeneous Collaborative Perception

• arxiv url: http://arxiv.org/abs/2609.27123v1
• Date: Tue, 22 Sep 2026 22:27:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.795474
• Title: PEARL: A Lightweight Prompt-based Feature Interpreter Framework for Real-Time, Anonymous, and Heterogeneous Collaborative Perception
• Title（参考訳）: PEARL: リアルタイム・匿名・異種協調知覚のための軽量プロンプト型特徴解釈フレームワーク
• Abstract要約: コラボレーティブ・パーセプション(CP)エージェント間の不均一性は、新しいCPフレームワークにとって大きな課題である。 我々は、匿名およびリアルタイム軽量異種CPのためのPEARL(Prompt-Embedding framework)を提案する。 PEARLは複数のCPインタプリタをサポートし、2つの軽量なマルチスケールインタプリタを使用して、新しい結合エージェントの1つをリアルタイムで選択する。
• 参考スコア（独自算出の注目度）: 4.904389322133549
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heterogeneity across Collaborative Perception (CP) agents is a major challenge for emerging CP frameworks due to domain gaps from differing sensors, architectures, and training data. Prior works mitigate this challenge by aligning features in a unified space via model retraining or per-agent-type interpreters. These strategies (a) require access to neighbor configurations, (b) do not fully address real-time CP deployment, and (c) generalize poorly to unseen agents joining at run time. To overcome these challenges, we present PEARL, a Prompt-Embedding framework for Anonymous and Real-time Lightweight heterogeneous CP. PEARL supports multiple CP interpreters and selects one for a new-joining agent in real time using two lightweight, multi-scale interpreters trained in parallel: a sparse-detection (LWSD) interpreter that aligns salient regions for cooperative detection, and a dense, domain-invariant (LWDDI) interpreter that produces agent-invariant features for fast interpreter selection. Both interpreters use low-rank visual prompts to reduce computation, storage, and model complexity. Extensive experiments on simulated (OPV2V, V2XSet) and real (DAIR-V2X) datasets show that PEARL generalizes across simulated and real-world cooperative driving scenarios. Its real-time model-selection strategy yields an 8.2% Average Precision (AP) gain over a random-selection baseline while running in 1.67 ms on average. Although primarily designed for real-time CP, PEARL also outperforms state-of-the-art heterogeneous CP frameworks under traditional offline training by 5.6% AP on average while reducing communication cost by up to 34.7 times. Equally important, PEARL does not require sharing agents' configurations or model settings, thereby protecting information that may be proprietary or private. These results establish PEARL as a scalable and practical framework for heterogeneous collaborative perception.
• Abstract（参考訳）: コラボレーティブ・パーセプション(CP)エージェント間の不均一性は、異なるセンサーやアーキテクチャ、トレーニングデータとのドメインギャップのため、新たなCPフレームワークにとって大きな課題である。 以前の作業では、モデルの再トレーニングやエージェント単位のインタプリタを通じて、統一された空間の機能を整列することで、この課題を緩和している。 これらの戦略 a) 隣の設定にアクセスする必要がある。 (b) リアルタイムCPデプロイメントを完全には処理しない。 (c) 実行時の未確認エージェントの接合に悪用する。 これらの課題を克服するために,Anonymous および Real-time Lightweight heterogeneous CP のための Prompt-Embedding フレームワーク PEARL を提案する。 PEARLは複数のCPインタプリタをサポートし、並列に訓練された2つの軽量なマルチスケールインタプリタ(LWSD)インタプリタと、高速インタプリタ選択のためにエージェント不変の機能を生成する高密度なドメイン不変インタプリタ(LWDDI)を使用する。 どちらのインタプリタも、計算、ストレージ、モデルの複雑さを減らすために、低ランクのビジュアルプロンプトを使用する。 シミュレーション(OPV2V, V2XSet)と実(DAIR-V2X)データセットの大規模な実験により、PEARLはシミュレーションおよび実世界の協調運転シナリオにまたがって一般化されることが示された。 そのリアルタイムモデル選択戦略は、平均8.2%の精度(AP)がランダム選択ベースラインを上回り、平均1.67msで走る。 PEARLは、主にリアルタイムCP用に設計されているが、従来のオフライントレーニングにおける最先端の異種CPフレームワークを平均5.6%APで上回り、通信コストを最大34.7倍に削減している。 同様に、PEARLは共有エージェントの設定やモデル設定を必要としないため、プロプライエタリあるいはプライベートな情報を保護する。 これらの結果は、不均一な協調知覚のためのスケーラブルで実用的なフレームワークとしてPEARLを確立している。

関連論文リスト

• HeteroPROPMT: A Real-time and Privacy-Preserving Heterogeneous Collaborative Perception Framework [4.904389322133549]
  コラボレーティブ・パーセプション(CP)は、センサーデータ、中間機能、検出結果を共有することで、自律システムの環境に対する認識を改善する。 既存のアプローチは通常、融合と検出コンポーネントをリトレーニングするか、モダリティ固有の機能インタプリタを導入する。 異種協調認識のためのリアルタイム・プライバシ保護フレームワークHeteroPROMPTを提案する。
  論文  参考訳（メタデータ） (2026-07-28T21:24:43Z)
• EEVEE: Towards Test-time Prompt Learning in the Real World for Self-Improving Agents [64.96332056338923]
  EEVEEは、LLMエージェントのための最初のマルチデータセットテスト時プロンプト学習フレームワークである。 実世界のタスクストリーム下でテスト時のプロンプト学習を可能にする。 EEVEEはQwen3-4B-InstructとDeepSeek-V3.2で平均マルチベンチマークスコアを10.38点、24.32点改善している。
  論文  参考訳（メタデータ） (2026-06-09T17:57:16Z)
• Role-Agent: Bootstrapping LLM Agents via Dual-Role Evolution [25.26084224278813]
  Role-Agentは単一のLarge Language Model(LLM)を使用してエージェントと環境の両方として同時に機能する。 Role-Agentはパフォーマンスを継続的に改善し、強いベースラインよりも平均4%以上向上する。
  論文  参考訳（メタデータ） (2026-06-09T14:28:07Z)
• ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
  6Gネットワークは複雑な層間最適化に依存している。 数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。 我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
  論文  参考訳（メタデータ） (2026-01-27T13:43:59Z)
• Semi-distributed Cross-modal Air-Ground Relative Localization [11.828259485114598]
  ロボット相対的ローカライゼーションの現在のアプローチは、分散マルチロボットSLAMシステムという形で主に実現されている。 我々は、複数のセンサーを統合するために、無人地上車両(UGV)の容量を十分に活用する。 この研究において、UGVと無人航空機(UAV)は独立してSLAMを行い、深層学習に基づくキーポイントとグローバルディスクリプタを抽出した。
  論文  参考訳（メタデータ） (2025-11-10T06:28:31Z)
• Grounded Test-Time Adaptation for LLM Agents [75.62784644919803]
  大規模言語モデル(LLM)ベースのエージェントは、新規で複雑な環境への一般化に苦慮している。 環境特化情報を活用することで, LLMエージェントを適応するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2025-11-06T22:24:35Z)
• Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting [92.57796055887995]
  本稿では,言語モデルエージェントの強化学習から後視体験のリプレイに適応するプロンプトフレームワークECHOを紹介する。 ECHOは失敗した試みで達成できた代替目標のために最適化された軌道を生成する。 我々は、テキストベースのナビゲーションと計画ベンチマークであるXMiniGridのステートフルバージョンと、協調的な情報収集企業シミュレーションであるPeopleJoinQAについて、ECHOを評価した。
  論文  参考訳（メタデータ） (2025-10-11T18:11:09Z)
• C-3PO: Compact Plug-and-Play Proxy Optimization to Achieve Human-like Retrieval-Augmented Generation [13.120930059424975]
  C-3POは、レトリバーと大規模言語モデル間の通信を容易にするプロキシ中心のフレームワークである。 我々のフレームワークは、RAGパイプライン全体を協調的に最適化する3つの特殊エージェントを実装している。
  論文  参考訳（メタデータ） (2025-02-10T07:04:32Z)
• From Holistic to Localized: Local Enhanced Adapters for Efficient Visual Instruction Fine-Tuning [102.18178065928426]
  効率的なビジュアルインストラクションファインタニング(EVIT)は、最小の計算オーバーヘッドで下流タスクにマルチモーダル大言語モデル(MLLM)を適用することを目指している。 本稿では,Dual Low-Rank Adaptation (Dual-LoRA)を提案する。
  論文  参考訳（メタデータ） (2024-11-19T11:03:09Z)
• Relative Preference Optimization: Enhancing LLM Alignment through Contrasting Responses across Identical and Diverse Prompts [95.09994361995389]
  Relative Preference Optimization (RPO) は、同一のプロンプトと関連するプロンプトの両方から、より多く、あまり好まれない応答を識別するように設計されている。 RPOは、大きな言語モデルをユーザの好みに合わせて調整し、トレーニングプロセスにおける適応性を改善する優れた能力を示している。
  論文  参考訳（メタデータ） (2024-02-12T22:47:57Z)

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。