[論文レビュー] LSAI: A Large Small AI Model Codesign Framework for Agentic Robot Scenarios

Longyu Zhou, Supeng Leng+2 more|arXiv (Cornell University)|Mar 23, 2026

Robotics and Sensor-Based Localization被引用数 0

ひとこと要約

大規模–小規模AIモデルのコード設計フレームワーク（LSAI）を提案。動的環境での感知精度向上と協調遅延低減のため、エッジで訓練された小規模モデルと大規模エッジモデルを注意に基づく集約と適応分割で統合する、エージェント機能を持つロボット用のコード設計。

ABSTRACT

The development of Artificial Intelligence (AI) has enabled agentic robots an appealing paradigm for various applications, such as research and rescue in complex environment. In this context, the next wireless communication technology facilitates robot cooperation for efficient environment sensing and exploration. However, traditional AI solutions cannot always provide reasonable resource utilization decisions, which makes it challenging to achieve both accurate and low-latency research and rescue. To address this issue, we propose a, LSAI, a large small AI model codesign framework to achieve highly accurate and real-time robot cooperation with deep interaction between large AI model and small AI model. We first propose an attention-based model aggregation for LAI construction. It can assist agentic robots in accurately sensing physical environments. Next, we design an adaptive model splitting and update algorithm to enable the robots to perform accurate path planning for high-efficiency environment sensing with low energy consumption. Finally, we demonstrate the effectiveness of our proposed LSAI framework. The simulation results indicate that our solution achieves sensing accuracy of up to 20.4% while reducing sensing cooperation latency by an average of 17.9% compared to traditional AI solutions.

研究の動機と目的

• ダイナミックな環境下で限られた搭載リソースとともに、複数ロボットの感知と経路計画を改善する動機付け。
• 小型搭載モデルとエッジで構築された大規模モデルを組み合わせることで、リアルタイムかつ省エネの協調感知を実現。
• 精度と応答性を高めるための注意ベースのモデル集約と適応LAI/SAI分割を設計。

提案手法

• 3層構造のLSAIフレームワークを導入：端末SAIモデル層、エッジLAIモデル層、LSAIモデルコード設計層。
• アップロードされたSAIパラメータからLAIを構築する注意ベースのモデル集約を用い、更新のウェイトを適応的に調整。
• ロボット軌道に合わせて大規模モデルのパラメータを最適化する適応LAI分割アルゴリズムを開発、効率的な経路計画を実現。
• オンライン経路調整のためにLAIサブモデルと局所SAIモデルを結合するニューラルネットワーク融合法を提案。
• SAIモデルの訓練にはDDPGベースを採用し、エッジでの局所訓練・集約・融合を複数回繰り返す。
• 感知精度、経路計画の効率、システム遅延の指標を用いてGazeboベースの3km×3kmのロボット救助シナリオで評価。

実験結果

リサーチクエスチョン

• RQ1 大規模–小規模AIモデルのコード設計フレームワークは、複数ロボット探索の感知精度と決定遅延をどのように改善できるか。
• RQ2 注意ベースの集約と適応LAI分割は、ロボット数の変動に対して堅牢で省エネな協調感知を提供できるか。
• RQ3 端末のSAIとエッジのLAIを組み合わせた場合、集中型または分散型のベースラインと比べて感知精度と経路計画の効率にどのような利得があるか。

主な発見

• LSAIは、感知精度の点で集中型大規模モデルおよび分散小規模モデルのベースラインをロボット規模を問わず上回る。
• LSAI下での経路計画の効率は、ロボット数が増加しても最も高く、劣化が最も小さい（平均約0.936対ベースラインの約0.822と0.746）。
• LSAIによるシステム遅延は、スケールを問わず一貫して最も低くなる（平均約13分対ベースラインの約20.2分と約24.6分）。
• 注意ベースのLAI構築は、情報性の高い更新を強調し、モデル集約時の信頼性の低い更新を緩和する。
• 適応LAI分割はカスタマイズされたサブモデルを生み出し、エネルギー配慮型と衝突回避型の経路調整を可能にする。
• ニューラルネットワーク融合法のSAI更新は、通信オーバーヘッドを削減しつつリアルタイムの経路最適化を提供する。