論文の概要: Multipath-based SLAM using Belief Propagation with Interacting Multiple Dynamic Models

• arxiv url: http://arxiv.org/abs/2103.12809v1
• Date: Tue, 23 Mar 2021 19:34:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-26 01:26:03.820886
• Title: Multipath-based SLAM using Belief Propagation with Interacting Multiple Dynamic Models
• Title（参考訳）: 対話型動的モデルを用いた信念伝播を用いたマルチパススラム
• Authors: Erik Leitinger and Stefan Grebien and Klaus Witrisal
• Abstract要約: 本稿では,複数モデル (IMM) パラメータを連続的に適用し,移動エージェントの状態ダイナミクスを記述したマルチパス型同時局所化マッピング(SLAM)アルゴリズムを提案する。 数値シミュレーションの結果,提案されたマルチパス型SLAMアルゴリズムが強く変化するエージェント状態のダイナミクスに対処できることが示された。
• 参考スコア（独自算出の注目度）: 8.048412266667176
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we present a Bayesian multipath-based simultaneous localization and mapping (SLAM) algorithm that continuously adapts interacting multiple models (IMM) parameters to describe the mobile agent state dynamics. The time-evolution of the IMM parameters is described by a Markov chain and the parameters are incorporated into the factor graph structure that represents the statistical structure of the SLAM problem. The proposed belief propagation (BP)-based algorithm adapts, in an online manner, to time-varying system models by jointly inferring the model parameters along with the agent and map feature states. The performance of the proposed algorithm is finally evaluating with a simulated scenario. Our numerical simulation results show that the proposed multipath-based SLAM algorithm is able to cope with strongly changing agent state dynamics.
• Abstract（参考訳）: 本稿では,複数モデル(IMM)パラメータを連続的に適用し,移動エージェント状態のダイナミクスを記述したベイズ型マルチパス同時局所化マッピング(SLAM)アルゴリズムを提案する。 IMMパラメータの時間進化はマルコフ連鎖によって記述され、パラメータはSLAM問題の統計構造を表す因子グラフ構造に組み込まれる。 提案した信念伝達アルゴリズムは,エージェントとマップの特徴状態とともにモデルパラメータを共同で推定することにより,時間変化のシステムモデルにオンライン的に適応する。 提案アルゴリズムの性能をシミュレーションシナリオで評価する。 数値シミュレーションの結果,提案アルゴリズムはエージェント状態の強い変化に対処できることがわかった。

関連論文リスト

• A parametric framework for kernel-based dynamic mode decomposition using deep learning [0.0]
  提案されたフレームワークは、オフラインとオンラインの2つのステージで構成されている。 オンラインステージでは、これらのLANDOモデルを活用して、所望のタイミングで新しいデータを生成する。 高次元力学系に次元還元法を適用して, トレーニングの計算コストを低減させる。
  論文  参考訳（メタデータ） (2024-09-25T11:13:50Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Latent Variable Representation for Reinforcement Learning [131.03944557979725]
  モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。 状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。 特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-17T00:26:31Z)
• Distributed Bayesian Learning of Dynamic States [65.7870637855531]
  提案アルゴリズムは有限状態隠れマルコフモデルに対する分散ベイズフィルタタスクである。 逐次状態推定や、動的環境下でのソーシャルネットワーク上での意見形成のモデル化に使用できる。
  論文  参考訳（メタデータ） (2022-12-05T19:40:17Z)
• Reduced order modeling of parametrized systems through autoencoders and SINDy approach: continuation of periodic solutions [0.0]
  本研究は,ROM構築と動的識別の低減を組み合わせたデータ駆動型非侵入型フレームワークを提案する。 提案手法は、非線形力学(SINDy)のパラメトリックスパース同定によるオートエンコーダニューラルネットワークを利用して、低次元力学モデルを構築する。 これらは、システムパラメータの関数として周期的定常応答の進化を追跡し、過渡位相の計算を避け、不安定性と分岐を検出することを目的としている。
  論文  参考訳（メタデータ） (2022-11-13T01:57:18Z)
• MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
  シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。 あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。 モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-03T12:59:16Z)
• Estimation of Switched Markov Polynomial NARX models [75.91002178647165]
  非線形自己回帰(NARX)成分を特徴とするハイブリッド力学系のモデル群を同定する。 提案手法は, 特定の回帰器を持つ3つの非線形サブモデルからなるSMNARX問題に対して実証される。
  論文  参考訳（メタデータ） (2020-09-29T15:00:47Z)
• Relational State-Space Model for Stochastic Multi-Object Systems [24.234120525358456]
  本稿では、逐次階層型潜在変数モデルであるリレーショナル状態空間モデル(R-SSM)を紹介する。 R-SSMはグラフニューラルネットワーク(GNN)を用いて、複数の相関オブジェクトの結合状態遷移をシミュレートする。 R-SSMの実用性は、合成および実時間時系列データセットで実証的に評価される。
  論文  参考訳（メタデータ） (2020-01-13T03:45:21Z)

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。