Model Adaptation for Time Constrained Embodied Control

要約

身体化エージェントに深層学習モデルを採用する場合、特定のタスクや運用条件に合わせてモデル構造を最適化する必要があります。
このような最適化は、モデル圧縮などの静的な場合もあれば、適応推論などの動的な場合もあります。
しかし、これらの技術は、時間的制約を受ける具体化された制御システムについては十分に調査されておらず、複数のタスクに対して逐次的な意思決定が必要となり、それぞれに異なる推論遅延制限が課せられます。
この論文では、モジュール式モデル適応を使用した時間制約を意識した具現化制御フレームワークである MoDeC を紹介します。
私たちは、モジュール型ネットワーク上の動的ルーティングとして、リソースと時間の制限に関するさまざまな運用条件へのモデルの適応を定式化し、これらの条件をマルチタスク目標の一部として組み込みます。
いくつかのビジョンベースの具体化環境にわたる評価では、MoDeC の堅牢性が実証されており、ロボット操作および自動運転アプリケーションにおけるパフォーマンスと時間制約の順守の両方において他のモデル適応手法よりも優れていることが示されています。

要約(オリジナル)

When adopting a deep learning model for embodied agents, it is required that the model structure be optimized for specific tasks and operational conditions. Such optimization can be static such as model compression or dynamic such as adaptive inference. Yet, these techniques have not been fully investigated for embodied control systems subject to time constraints, which necessitate sequential decision-making for multiple tasks, each with distinct inference latency limitations. In this paper, we present MoDeC, a time constraint-aware embodied control framework using the modular model adaptation. We formulate model adaptation to varying operational conditions on resource and time restrictions as dynamic routing on a modular network, incorporating these conditions as part of multi-task objectives. Our evaluation across several vision-based embodied environments demonstrates the robustness of MoDeC, showing that it outperforms other model adaptation methods in both performance and adherence to time constraints in robotic manipulation and autonomous driving applications

arxiv情報

提供元, 利用サービス

arxiv.jp, Google