低電力ロボット自律のためのエネルギー認識型オープンボキャブラリ検出スケジューリング

- 低電力移動ロボット向けの energy-aware な open-vocabulary object detection (OVD) スケジューラを提案する研究。 - ロボットの状態に応じて YOLO-World-S の推論モードを low/mid/high の3段階に切り替える。 - 対象は Jetson Orin Nano 上の OVD 推論で、AgileX LIMO を用いた実機ナビゲーションで評価する。 - 目的は idle motion、map revisits、stable viewpoints での無駄な推論を削減し、電力とタスク信頼性のトレードオフを改善すること。

- 固定レート推論の OVD は低価値フレームにも embedded compute を消費する点を問題視している。 - 提案手法は odometry、map change、detector confidence を組み合わせて推論モードを動的に切り替える点が特徴。 - 8 Hz high-rate baseline と比較して mean Jetson input power を 5.2% 削減し、OVD call rate を 34.0% 低下させた。 - ミッション成功率は bottle と cup の試行で 8/10 となり、各 fixed-rate baseline の 7/10 を上回ったと報告している。

- odometry、map change、detector confidence を入力として、low/mid/high-power の YOLO-World-S モードを切り替えるスケジューラ。 - 低価値と判断される状況では低電力モード、必要に応じて高電力モードへ移行する設計。 - Jetson Orin Nano 上で動作し、mean Jetson input power と OVD call rate を指標に energy-quality trade-off を扱う。 - 詳細な切替閾値やアルゴリズムは要旨からは不明。

- AgileX LIMO を用いた 40 回の実ナビゲーション試行で評価。 - 2 種類の target objects、target-policy pair ごとに 5 placements、4 種類の perception policies を設定。 - bottle と cup の試行でミッション成功率 8/10 を記録し、fixed-rate baseline は各 7/10。 - 8 Hz high-rate baseline 比で mean Jetson input power を 5.2% 削減、OVD call rate を 34.0% 低下。 - 別途 60 秒の stationary microbenchmark で mean power を 8.045 W から 7.301 W、energy を 484.7 J から 438.1 J に低減。

- mission-window の Jetson input energy は最小化できていない。長時間ミッションでは瞬間的な電力削減が打ち消される可能性がある。 - そのため mission-window Jetson input energy は task progress と runtime と併せて読む必要があると論じている。 - robot-state-aware OVD scheduling は競争力のあるタスク信頼性を持つ電力管理機構として有望と位置づけている。 - 限界や一般化可能性についての詳細な議論は要旨からは不明。

- 比較対象として fixed-rate baseline と 8 Hz high-rate baseline が挙げられている。 - 検出器として YOLO-World-S を使用。 - 関連手法として open-vocabulary object detection (OVD) の一般的な研究や、ロボティクス向け energy-aware scheduling の定番研究を次に読む候補として挙げられる。 - 具体的な論文名は要旨からは不明。