論文の概要: Edge-Native Temporal--Graph Dual-Expert Inference for Dexterous Grasp Classification

• arxiv url: http://arxiv.org/abs/2610.14926v1
• Date: Sat, 10 Oct 2026 13:58:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 11:04:19.539756
• Title: Edge-Native Temporal--Graph Dual-Expert Inference for Dexterous Grasp Classification
• Title（参考訳）: Dexterous Grasp 分類のためのエッジ負のテンポラルグラフDual-Expert 推論
• Abstract要約: マルチフィンガーは異なるタイミングでオブジェクトに接触するので、グローバルなクローズドコマンドは早期接触指をオーバーロードでき、他のコマンドはまだ動いている。 本稿では,手持ちの物体を認識するために,組込みジョイントアングルとプリユースキャリブレーションによるアクチュエータ負荷フィードバックのみを使用するエッジネイティブパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 8.236914982736204
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-finger hands contact objects at different times, so a global close command can overload early-contact fingers while others are still moving. Dense tactile arrays address this problem but add hardware, calibration, bandwidth, and computation. We present an edge-native pipeline that uses only built-in joint-angle and pre-use-calibrated actuator-load feedback to recognize the grasped object and predict an independent Stop event for each finger. Four samples and their first differences form a 4-by-20 contact-evolution window. At its core is a heterogeneous dual-expert architecture, termed DualExpert, that assigns complementary tasks to a Temporal Convolutional Network (TCN) and a Finger Graph Filter Network (FGFN). The TCN models short-term contact evolution and supplies all five Stop probabilities, while the FGFN encodes finger topology and contributes only to object classification. Fixed 0.7/0.3 class-probability fusion reaches 93.78\% trajectory-level classification accuracy on 225 held-out trials, improving the standalone TCN and FGFN by 4.00 and 2.22 percentage points, respectively. The TCN Stop path attains 95.25\% F1. The dataset contains 1,500 automatically collected trajectories from five object instances. In Flash deployment, mixed accelerator execution retains 93.78\% classification accuracy and 94.84\% Stop F1 with 2.890~ms mean inference time and 9.172~ms mean sample-to-stop latency. Across 50 physical trials, the system achieves 96.00\% recognition and 98.00\% grasp success while the complete embedded board draws approximately 0.80~W.
• Abstract（参考訳）: マルチフィンガーは異なるタイミングでオブジェクトに接触するので、グローバルなクローズドコマンドは早期接触指をオーバーロードでき、他のコマンドはまだ動いている。 複雑な触覚アレイはこの問題に対処するが、ハードウェア、キャリブレーション、帯域幅、計算を追加する。 我々は,手持ちの物体を認識し,各指に対して独立した停止イベントを予測するために,組込みジョイントアングルとプリユースキャリブレーションされたアクチュエータ負荷フィードバックのみを使用するエッジネイティブパイプラインを提案する。 4つのサンプルとその最初の違いは、4対20の接触進化ウィンドウを形成する。 コアとなるのはDualExpertと呼ばれる異種デュアルエキスパートアーキテクチャで、Temporal Convolutional Network (TCN) と Finger Graph Filter Network (FGFN) に補完的なタスクを割り当てている。 TCNは短期接触の進化をモデル化し、5つのストップ確率を全て供給し、FGFNは指のトポロジーを符号化し、対象分類にのみ貢献する。 固定された0.7/0.3クラス確率核融合は、225回の留置試験で93.78\%軌道レベルの分類精度に達し、スタンドアローンTCNとFGFNをそれぞれ4.00と2.22ポイント改善した。 TCNストップパスは95.25\% F1に達する。 データセットには、5つのオブジェクトインスタンスから自動的に収集された1500のトラジェクトリが含まれている。 Flashデプロイメントでは、混合加速器の実行は93.78\%の分類精度と94.84\%の停止F1、平均推定時間2.890~ms、平均サンプル停止遅延9.172〜msを維持している。 50回の物理実験で、このシステムは96.00\%の認識と98.00\%の把握を達成し、完全な埋め込みボードは約0.80~Wである。

関連論文リスト

• GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed [71.05944634852158]
  GroundAnythingはブロックワイズによる正確なローカライゼーションで高速並列デコーディングを再構成する。 30のグラウンドベンチマークで、私たちの自己回帰型であるGroundAnything-VLMは、この技術の新たな全体的な状態を確立します。 エントロピー誘導復号法により、GroundAnythingは、この規模の芸術の先行状態を超越している。
  論文  参考訳（メタデータ） (2026-09-30T12:20:51Z)
• Deep Neural Networks for Learning Intent from sEMG Signals to Support Hardware Devices for Post-Stroke Neurorehabilitation [0.0]
  指特異的運動意図は、脳卒中後の神経リハビリテーションに対する臨床的に意味のある制御シグナルである。 上肢高密度表面筋電図(sEMG)による5指マルチラベルインテントデコーディングについて検討した。
  論文  参考訳（メタデータ） (2026-09-09T09:56:44Z)
• Long-Range Indirect Control-Flow Prediction in Stripped Binaries via Dual Virtual Hubs and Multi-Task Graph Learning [44.79384874347874]
  本稿では,長い範囲のIDF予測を行う統合フレームワークICFlowNetを提案する。 ICFlowNetは、候補を意識したDual Virtual Hubs、Global Code Hub、Global Data Hubを導入している。 また,パッケージレベルの分割,関数レベルのmnemonic-hash重複,クリーンなテストプロトコルを備えた,リーク対応のノイズ制御パイプラインを開発した。
  論文  参考訳（メタデータ） (2026-09-03T02:17:23Z)
• Robust Slip Detection and Material Classification via Spatiotemporal Transformers on a Uniformly-Illuminated Visuo-Tactile Sensor [52.33204893988409]
  本稿では,一様照明をカスタマイズした視覚触覚センサと統合認識フレームワークを提案する。 提案するハードウェア・ソフトウェア・フレームワークは、複雑なロボット操作のための高忠実度フィードバックと強力なマルチモーダル認識ベースラインを提供する。
  論文  参考訳（メタデータ） (2026-08-25T07:25:27Z)
• YOLO26-RD: An End-to-End Road Damage Detection Network With Learnable Contrast Enhancement and Edge-Guided Downsampling [2.274915755738124]
  本稿では、ストライド4レベルが75.3%のアンカーを主張し、ローカライゼーションエラーよりも完全なミスがベースライン障害を支配しているという前提を検証する。 レシピの1つ、YOLO26-RD、YOLO26-RD、YOLO26-RD、YOLOv12ファミリーの5つの尺度で、スクラッチから15のモデルを訓練した。 YOLO26-RD-l は 0.809 mAP50 と 0.497 mAP50-95 の15の最高値であり、YOLO26 の参照を 0.031 と 0.030 で改善し、クラスごとに6つのエントリをリードする。
  論文  参考訳（メタデータ） (2026-08-16T12:36:12Z)
• Device-First Feedback: Toward Mobile-Native LLM-Driven Neural Architecture Search [44.70501115891534]
  アーキテクチャ生成LLMのQLoRA微調整からループを閉じる自動モバイルデプロイメントパイプラインを提案する。 我々はSamsung SM-P613タブレット上で,CIFAR-10とCIFAR-100の2つのベンチマークで同じ凍結プロトコルを評価した。
  論文  参考訳（メタデータ） (2026-07-29T14:36:45Z)
• Moving Like a Human: Ego-Motion-Normalized Temporal Signatures for Real-Time Aerial Person Tracking on Milliwatt-Class Hardware [1.932555230783329]
  追跡はドローン自体で行わなければならない。 EMT-Detは、エゴモーションを推定する5段階のシステムである。 Raspberry Pi Zero 2Wでは、パイプラインは31.85 FPS、AP25は0.462、UAVは0.714である。
  論文  参考訳（メタデータ） (2026-07-09T19:30:00Z)
• Privacy-Preserving Federated Temporal Graph Learning with Digital Twin--Guided Adaptive Deception for Cyber-Resilient IoMT [0.6095710009266794]
  本稿では,Advantage Actor-Critic (Federated TGCN-A2C) を用いたFederated Temporal Graph Convolutional Networkを提案する。 このフレームワークは、重み付きF1スコアの0.9948と0.9961で99.48%と99.61%のテスト精度を達成し、25と10のフェデレーションラウンドで収束し、3つの追加攻撃カテゴリをカバーしながらFed-Inforce-Fusionを0.21ポイント上回っている。 SHAP, LIME, Grad-CAM, および反ファクト分析によるホック後の説明責任は、決定が意味論的に意味のあるフローの特徴に根ざしていることを確認し、臨床展開における規制的説明責任をサポートする。
  論文  参考訳（メタデータ） (2026-06-19T15:09:38Z)
• A 96pJ/Frame/Pixel and 61pJ/Event Anti-UAV System with Hybrid Object Tracking Modes [5.593237736175593]
  本稿では,フレームベースとイベント駆動型オブジェクトトラッキングを統合したエネルギー効率の高い対UAVシステムを提案する。 2mm2チップは1ピクセル当たり96pJ、イベント毎61pJを0.8Vで達成し、パブリックUAVデータセットでの認識精度は98.2%に達する。
  論文  参考訳（メタデータ） (2025-12-12T13:53:38Z)
• Second-Order Provable Defenses against Adversarial Attacks [63.34032156196848]
  ネットワークの固有値が有界であれば、凸最適化を用いて$l$ノルムの証明を効率的に計算できることを示す。 認証精度は5.78%,44.96%,43.19%であった。
  論文  参考訳（メタデータ） (2020-06-01T05:55:18Z)

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。