論文の概要: Compute Regeneration through Re-Productization: Reorganizing Retired Edge AI Silicon into a Delivered Multilingual Service Robot
- arxiv url: http://arxiv.org/abs/2611.11698v2
- Date: Thu, 12 Nov 2026 05:48:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.876292
- Title: Compute Regeneration through Re-Productization: Reorganizing Retired Edge AI Silicon into a Delivered Multilingual Service Robot
- Title(参考訳): 再生産によるコンピュータ・リジェネレーション:老朽化したエッジAIシリコンを多言語サービスロボットに再編成
- Abstract要約: GEdgeBotは、引退した32GBのJetson AGX Xavierを中心に開発された多言語サービスロボットである。
オーディットは6モード制御状態マシン、準備ができている障壁、音の向きをカバーしている。
結果は、実在するクレームと再現可能なアーキテクチャ仮説を支持します。
- 参考スコア(独自算出の注目度): 0.32316469676928855
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Useful edge hardware can lose product support while retaining substantial computation. We treat this as systems design: compute regeneration here means re-productization, retaining the compute module while redesigning the surrounding product organization. Our case is GEdgeBot, a multilingual service robot built around a retired 32 GB Jetson AGX Xavier. A source-grounded inventory shows the box alone supplies inference, while the combined system exposes five on-device AI services, a seven-language speech chain, three sensing domains, and one deterministic seven-byte control boundary. AI and orchestration stay on the Xavier; finite motor-pulse generation on an STM32F407. Audits cover the six-mode control state machine, readiness barriers and sound orientation. Historical single-prototype measurements report 1,782 MB GPU memory with YOLO, Whisper-small, and NLLB-200 resident, a direct-control p99 deviation rising from 0.24 to 49.93 ms under concurrent AI load, and six of six trigger-to-follow demonstrations at 4.35 s mean latency, with conversational voice unavailable. A November campaign restores an isolated inference stack, re-measures AI workloads, and repeats control-frame runs. Driving two execution organisations with the same 6,000 measured 50 ms frame intervals shows the finite-pulse boundary removes host jitter from the pulse train but not the command start phase; its stopping bound is host-enforced, while the MCU 16-bit pulse field is unclamped. A six-check static audit exposes a host--MCU queue mismatch, and a 14-scenario replay executes the audited main() dispatcher across six modes with zero physical device opens and 54 contract-checked frames. Results support an existence claim and a reproducible architectural hypothesis, not fleet-level reliability. The 208 direct-control ratio remains unreplicated; MCU waveform capture and on-site fault injection remain open.
- Abstract(参考訳): 便利なエッジハードウェアは、相当な計算を保ちながら製品サポートを失う可能性がある。
ここでのコンピュート・リジェネレーションは再生産を意味し、周囲の製品組織を再設計しながら計算モジュールを保持します。
GEdgeBotは、引退した32GBのJetson AGX Xavierを中心に作られた多言語サービスロボットだ。
ソースをベースとしたインベントリでは、ボックスが推論のみを提供する一方で、統合システムはデバイス上のAIサービス5つ、音声チェーン7つ、センシングドメイン3つ、決定論的7バイト制御バウンダリ1つを公開している。
AIとオーケストレーションはXavierに留まる; STM32F407上の有限運動パルス発生。
オーディットは6モード制御状態マシン、準備ができている障壁、音の向きをカバーしている。
過去のシングルプロトタイプ測定では、YOLO、Whisper-small、NLLB-200による1,782MBのGPUメモリ、同時AI負荷下で0.24から49.93msまで直接制御されたp99偏差、平均4.35sでの6つのトリガー・ツー・フォローのデモが平均レイテンシで利用可能で、会話音声は利用できない。
11月のキャンペーンでは、独立した推論スタックを復元し、AIワークロードを再測定し、コントロールフレームの実行を繰り返す。
同じ60msのフレーム間隔を持つ2つの実行組織を駆動すると、有限パルス境界はパルス列からホストジッタを除去するが、指令開始フェーズは除去せず、停止境界はホスト強化され、MCU 16ビットパルスフィールドはアンクランプされる。
6チェックの静的監査はホスト-MCUキューミスマッチを公開し、14セッションのリプレイは、物理デバイスがゼロで54のコントラクトチェックフレームを持つ6つのモードで監査されたmain()ディスパッチを実行する。
結果は、実在するクレームと再現可能なアーキテクチャ仮説を支持します。
直接制御比は208であり、MCU波形キャプチャーとオンサイト断層注入は未解決のままである。
関連論文リスト
- Kinora: A Versioned Workflow for Text-to-Motion Generation, Robot Retargeting, and Interactive Validation [0.0]
本研究では,テキスト・ツー・モーション・ジェネレーション,モーション・ライブラリ,ローカルエージェント・ツール,ロボット保存,トラジェクトリ・リファインメントを接続するキノラについて紹介する。
現在のリリースでは、独立した52結合リグとスケルトンプロシージャバリデーションが使用されている。
我々は,ガジェット実行,4世代/編集事例,30フレームの合成G1フィクスチャと,停止負の制御を組み合わせて評価した。
論文 参考訳(メタデータ) (2026-11-08T20:30:38Z) - Auriga Technical Report: A Task-Agnostic Agent Harness for Zero-Shot Embodied Manipulation [62.55752327741587]
RoboDojoでは、大きな計画と実行のギャップが、高レベルのタスク決定と物理的実行を分離します。
目標タスクやリセットを伴わないゼロショット操作において,このギャップの68.3%を埋めるタスク非依存のエージェントハーネスであるAurigaを紹介する。
論文 参考訳(メタデータ) (2026-10-31T16:59:05Z) - ARID: A Deployable Edge AI System for Structured Information Extraction from Industrial Maintenance Work Orders [8.10713889114366]
ARID(Aviation-inspireed for Industrial Deployment)は、8GBのJetson Orin NX上の固定スキーマルーティングにコンポーネント、障害モード、症状、メンテナンスアクションを抽出する。
2,326の未ラベルのOMInレコードから、716のトレーニングペアを保持し、アクション抽出をターゲットとした99の制約付きレコードを追加する。
300人の人による記録では、ARIDはリファレンススタックで84.8%のトークン-F1、デプロイされたJetsonで82.9%に達した。
論文 参考訳(メタデータ) (2026-09-20T12:00:17Z) - CogEvol: Towards Efficient and Reliable Learning Environment Generation [49.18054685846454]
本稿では,学習環境生成に特化して訓練されたモデル群であるCogEvolを紹介する。
CogEvolは、スライドを中央値17秒、対話ページを59秒で完了し、数分のマルチターンエージェントの足場を置き換える。
プロダクショングラウンドのデータパイプラインは、実際の障害を53,687個のSFTサンプルに変換する。
論文 参考訳(メタデータ) (2026-08-31T15:33:38Z) - Reactive Peripheral Modeling for Faithful Firmware Rehosting [46.071436745445]
リアクティブ周辺モデリング(Reactive Peripheral Modeling, RPM)は、ハードウェア周辺をリアクティブでステートフルなシステムとしてモデル化する抽象化である。
我々は、BLEファームウェアの再ホストとファジィのためのBluezzにRPMを実装し、より深いプロトコル状態に到達するためには、リアクティブモデリングが必要であることを示す。
Bluezzは、従来の最先端のリホスト方式の2.6倍以上の基本的なブロック範囲を達成している。
論文 参考訳(メタデータ) (2026-08-30T11:54:37Z) - Ready Cohorts: Bounding GPU Opportunity and Avoiding Host Round Trips in LLM-Agent Control [0.0]
固定シェアF, 正確なオフラインシェアP*, ローカルアッパーバウンドU, オンライン達成シェアAを用いて, 既定コホート境界を定式化する。
別のメカニズムの研究では、4バイトをホストに返さずに、GPUで計算されたバイナリ決定をデバイスに保持している。
論文 参考訳(メタデータ) (2026-08-12T14:42:15Z) - SuperLocalMemory 4.0: The Governed Memory Operating System for AI Agents [0.0]
SuperLocalMemory 4.0は、AIエージェント用のローカルファーストメモリオペレーティングシステムである。
システムは、密接なセマンティック、BM25語彙、時間、ホップフィールド連想、拡散コンテキスト検索を組み合わせる。
ランタイムはCLI、MPP、HTTPデーモン、ダッシュボード、エディタ統合、フレームワークアダプタを通じて利用できる。
論文 参考訳(メタデータ) (2026-08-08T17:26:58Z) - ABot-AgentOS: A General Robotic Agent OS with Lifelong Multi-modal Memory [43.813389494890856]
ABot-AgentOSは、低レベルコントローラの上に位置する一般的なロボットエージェントオペレーティングシステムである。
シーンコンディショニング、コンテキストアイソレーションされたスキル実行、マルチステージ検証、マルチモーダルメモリ、エッジクラウドコラボレーションのためのデリバティブなエージェント層を提供する。
論文 参考訳(メタデータ) (2026-07-11T15:24:43Z) - 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) - Selective Attention System (SAS): Device-Addressed Speech Detection for Real-Time On-Device Voice AI [1.399948157377307]
時間的曖昧な発話を伴うマルチ話者環境において、このタスクは発話局所分類タスクよりも、対話履歴よりも逐次ルーティング問題として効果的にモデル化されていることを示す。
本稿では,これをSDAR(Sequential Device-Addressed Routing)として定式化し,この定式化をインスタンス化するデバイス上でのSelective Attention System(SAS)を提案する。
論文 参考訳(メタデータ) (2026-04-09T16:11:15Z)
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。