論文の概要: Localization and Neural Splatting on the Edge: An FPGA Scene Memory for Robots

• arxiv url: http://arxiv.org/abs/2610.25068v1
• Date: Sun, 18 Oct 2026 07:18:24 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:06:33.202131
• Title: Localization and Neural Splatting on the Edge: An FPGA Scene Memory for Robots
• Title（参考訳）: エッジ上の局所化とニューラルスプレイティング:ロボットのFPGAシーンメモリ
• Abstract要約: リソースに制約のあるロボットと自動運転車は、カメラをローカライズし、デスクトップGPUなしで近くのビューをレンダリングするシーン記憶を必要とする。 我々は、低消費電力FPGA/ARMプラットフォームにACEsplatスタイルのワークロードをもたらす、AMD KR260上のエッジメモリアクセラレーションシステムであるLENSを紹介する。
• 参考スコア（独自算出の注目度）: 1.9199289015460215
• License:
• Abstract: Resource-constrained robots and autonomous vehicles need scene memories that localize a camera and render nearby views without a desktop GPU. Scene-coordinate regression (SCR) and 3D Gaussian splatting (3DGS) fit because they avoid an SfM stage, but ACEsplat-style pipelines are GPU-centered, and moving them to an edge FPGA is hard because SCR is pose-sensitive and 3DGS rendering is irregular and capacity-sensitive. We present LENS, an edge scene-memory acceleration system on the AMD KR260 that brings an ACEsplat-style workload to a low-power FPGA/ARM platform. Rather than proposing a new scene model, LENS co-designs the two dominant kernels with the board data path: an INT16 SCR accelerator that preserves pose accuracy, and a bit-exact fixed-point ordered 3DGS renderer that rewrites alpha transmittance as a log-sum-exp recurrence and removes provably useless streamed Gaussians. All LENS latency, power, and quality results are board-measured. The SCR engine preserves DSAC* localization accuracy at 25.42 ms, the on-board renderer reaches 34.11 dB on Cambridge against ACEsplat's 33.20, novel-view synthesis on RealEstate10K reaches 27.84 dB against 26.11, and all ten Wayspots scenes reach the ACEsplat rendering target. LENS wins performance per watt over a Jetson Orin NX on every deployment task, by 1.9x to 5.7x at about a quarter of the power, and is faster in absolute latency on localization and Wayspots rendering. On-device training reaches ACEsplat-level quality but not the GPU's time or energy, marking the remaining boundary for a future training accelerator.
• Abstract（参考訳）: リソースに制約のあるロボットと自動運転車は、カメラをローカライズし、デスクトップGPUなしで近くのビューをレンダリングするシーン記憶を必要とする。 SCR(Scene-coordinate regression)と3D Gaussian splatting(3DGS)は、SfMステージを避けるために適合するが、ACEsplatスタイルのパイプラインはGPU中心であり、SCRはポーズに敏感であり、3DGSレンダリングは不規則でキャパシティに敏感であるため、エッジFPGAに移行することは難しい。 我々は、低消費電力FPGA/ARMプラットフォームにACEsplatスタイルのワークロードをもたらすAMD KR260上のエッジシーンメモリアクセラレーションシステムであるLENSを紹介する。 新しいシーンモデルを提案する代わりに、LENSは、2つの支配的なカーネルをボードデータパスで設計する: ポーズの正確さを保存するINT16 SCRアクセラレータと、アルファ送信を対数的な再帰として書き直し、証明不可能なストリームされたガウシアンを除去するビットエクサクショナルな固定点順序3DGSレンダラーである。 LENSのレイテンシ,パワー,品質はすべて,ボード上で測定される。 SCRエンジンはDSAC*のローカライズ精度を25.42msに保ち、車載レンダラーはACEsplatの33.20に対してケンブリッジで34.11dB、RealEstate10Kのノベルビュー合成は26.11に対して27.84dB、WayspotsのシーンはACEsplatレンダリングターゲットに到達している。 LENSは、デプロイタスク毎にJetson Orin NXよりも1ワット当たりのパフォーマンスを、約4分の1の消費電力で1.9倍から5.7倍に向上し、ローカライゼーションとWayspotsレンダリングの絶対遅延において高速である。 デバイス上でのトレーニングはACEsplatレベルの品質に達するが、GPUの時間やエネルギーではない。

関連論文リスト

• LEAP-NBV: Lightweight Edge Active-Perception for Foundation-Model Next-Best-View Planning [6.198560254557406]
  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。
  論文  参考訳（メタデータ） (2026-09-21T01:07:53Z)
• RoofGS: Roofline-Guided End-to-End Acceleration of 3D Gaussian Splatting [20.838595758539498]
  RoofGSは、一般的なカーネルアクセラレーションではなく、ボトルネック固有の最適化を適用するレンダリングフレームワークである。 実験の結果、RoofGSは指数指数指数4090よりも10.1ドルのエンドツーエンドのスピードアップを達成した。
  論文  参考訳（メタデータ） (2026-08-16T15:06:39Z)
• ATSplat: Compact Feed-forward 3D Gaussian Splatting with Adaptive Token Expansion [60.00320387969695]
  ATSplatはフィードフォワード3DGSフレームワークで、3DGS最適化のアダプティブアロケーション機能を復元する。 12の入力画像の解像度が512倍の960ドルから、ATSplatは1つの商用GPUを使用して1秒未満で再構築を完了した。
  論文  参考訳（メタデータ） (2026-07-22T17:54:44Z)
• ACEsplat: Accelerated 3D Gaussian Scene Regression via RGB and Poses Only [4.0553083073432]
  本稿では,RGB画像とカメラポーズのみから3次元ガウス表現を再構成する,シーンごとの高速最適化フレームワークACEsplatを提案する。 静的なレンダリングでは、ACEsplatはリアルタイムSLAMポーズでWayspotsで29.11dB PSNR、SfM修正ポーズでCambridge Landmarksで33.20dBを達成した。
  論文  参考訳（メタデータ） (2026-06-20T15:16:24Z)
• TideGS: Scalable Training of Over One Billion 3D Gaussian Splatting Primitives via Out-of-Core Optimization [19.191940595279206]
  数十億ドル規模の3DGSのトレーニングは、基本的にメモリバウンドである。 TideGSは、SSD-CPU-GPU階層間のパラメータを管理する、アウトオブコアのトレーニングフレームワークである。 TideGSは、24GBのGPUで10億以上のガウスのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2026-05-19T17:40:59Z)
• Proxy-GS: Efficient 3D Gaussian Splatting via Proxy Mesh [51.038973615841996]
  3Dガウススプラッティングは、レンダリングを実現するための効率的なアプローチとして登場した。 近年の変種は、視覚的忠実度をさらに向上するが、レンダリング中にかなりのデコードオーバーヘッドをもたらす。 コストを軽減するため、いくつかのプルーニング戦略とレベル・オブ・ディーテール(LOD)技術が導入されている。 本稿では,プロキシを利用した新しいパイプラインであるProxy-GSを提案する。
  論文  参考訳（メタデータ） (2025-09-29T08:10:07Z)
• Speedy Deformable 3D Gaussian Splatting: Fast Rendering and Compression of Dynamic Scenes [57.69608119350651]
  動的シーンへの3次元ガウススティング(3DGS)の最近の拡張は、ニューラルネットワークを用いて各ガウスの時間変化変形を予測することによって、高品質な新規ビュー合成を実現する。 しかしながら、ガウス毎のニューラルネットワークを各フレームで実行することは、レンダリング速度を制限し、メモリと計算要求を増大させる、重大なボトルネックとなる。 動的3DGSおよび4DGS表現のレンダリング速度を2つの相補的手法により低減し,高速化する汎用パイプラインであるSpeedy Deformable 3D Gaussian Splatting(SpeeDe3DGS)を提案する。
  論文  参考訳（メタデータ） (2025-06-09T16:30:48Z)
• 4D Gaussian Splatting for Real-Time Dynamic Scene Rendering [103.32717396287751]
  本研究では,動的シーンの全体像として4D-GS(Gaussian Splatting)を提案する。 HexPlaneにインスパイアされたニューラルボクセル符号化アルゴリズムは、4Dニューラルボクセルの機能を効率的に構築するために提案されている。 我々の4D-GS法は、高解像度の82 FPSで、3090 GPUで800$times$800の解像度でリアルタイムレンダリングを実現する。
  論文  参考訳（メタデータ） (2023-10-12T17:21:41Z)

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。