Fugu-MT 論文翻訳(概要): Hierarchical Segment-based Optimization for SLAM

論文の概要: Hierarchical Segment-based Optimization for SLAM

arxiv url: http://arxiv.org/abs/2111.04101v1
Date: Sun, 7 Nov 2021 14:57:26 GMT
ステータス: 処理完了
システム内更新日: 2021-11-09 16:36:30.529946
Title: Hierarchical Segment-based Optimization for SLAM
Title（参考訳）: 階層セグメントに基づくSLAMの最適化
Authors: Yuxin Tian, Yujie Wang, Ming Ouyang, Xuesong Shi
Abstract要約: 本稿では,SLAMシステムのための階層的セグメントベース最適化手法を提案する。まず,バックエンド最適化の効率向上に有効なトラジェクトリセグメンテーション手法を提案する。そこで我々は,セグメンテーションのロバスト性を改善するためのバッファ機構を初めて提案する。
参考スコア（独自算出の注目度）: 6.590648135605555
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: This paper presents a hierarchical segment-based optimization method for Simultaneous Localization and Mapping (SLAM) system. First we propose a reliable trajectory segmentation method that can be used to increase efficiency in the back-end optimization. Then we propose a buffer mechanism for the first time to improve the robustness of the segmentation. During the optimization, we use global information to optimize the frames with large error, and interpolation instead of optimization to update well-estimated frames to hierarchically allocate the amount of computation according to error of each frame. Comparative experiments on the benchmark show that our method greatly improves the efficiency of optimization with almost no drop in accuracy, and outperforms existing high-efficiency optimization method by a large margin.
Abstract（参考訳）: 本稿では,同時局所化マッピング(slam)システムのための階層的セグメントベース最適化手法を提案する。まず,バックエンド最適化の効率を向上させるために,信頼性の高い軌道分割法を提案する。次に,セグメント化のロバスト性を改善するため,バッファ機構を初めて提案する。最適化の間、グローバル情報を用いて、大きな誤差でフレームを最適化し、最適化の代わりに補間を行い、よく見積もられたフレームを更新し、各フレームの誤差に応じて計算量を階層的に割り当てる。比較実験により,提案手法は精度の低下を伴わずに最適化の効率を大幅に向上し,既存の高効率最適化手法よりも高い性能を示した。

関連論文リスト

High-Dimensional Bayesian Optimization Using Both Random and Supervised Embeddings [0.6291443816903801]
本稿では,小さな次元の線形埋め込み部分空間を組み込んだ高次元最適化手法を提案する。結果のBO法は、ランダムおよび教師付き線形埋め込みの両方を適応的に組み合わせる。その結果,高次元ブラックボックス最適化問題に対するEGORSEの有効性が示された。
論文参考訳（メタデータ） (2025-02-02T16:57:05Z)
BPQP: A Differentiable Convex Optimization Framework for Efficient End-to-End Learning [17.662882719189373]
本稿では、効率的なエンドツーエンド学習のための微分可能な凸最適化フレームワークBPQPを紹介する。効率を向上させるため、単純化された2次プログラミング問題として後方パスを再構成する。シミュレーションと実世界の両方のデータセットに対する大規模な実験は、BPQPが効率を大幅に向上することを示した。
論文参考訳（メタデータ） (2024-11-28T17:31:15Z)
Provably Faster Algorithms for Bilevel Optimization via Without-Replacement Sampling [96.47086913559289]
勾配に基づくアルゴリズムはバイレベル最適化に広く用いられている。本研究では,より高速な収束率を実現する非置換サンプリングに基づくアルゴリズムを提案する。合成および実世界の両方のアプリケーションに対してアルゴリズムを検証する。
論文参考訳（メタデータ） (2024-11-07T17:05:31Z)
LLM as a Complementary Optimizer to Gradient Descent: A Case Study in Prompt Tuning [69.95292905263393]
グラデーションベースとハイレベルなLLMは、協調最適化フレームワークを効果的に組み合わせることができることを示す。本稿では,これらを相互に補完し,組み合わせた最適化フレームワークを効果的に連携させることができることを示す。
論文参考訳（メタデータ） (2024-05-30T06:24:14Z)
Localized Zeroth-Order Prompt Optimization [54.964765668688806]
そこで我々は,ZOPO(Localized zeroth-order prompt optimization)という新しいアルゴリズムを提案する。 ZOPOはニューラル・タンジェント・カーネルをベースとしたガウス法を標準ゼロ階次最適化に取り入れ、高速な局所最適探索を高速化する。注目すべきは、ZOPOは最適化性能とクエリ効率の両方の観点から、既存のベースラインを上回っていることだ。
論文参考訳（メタデータ） (2024-03-05T14:18:15Z)
Analyzing and Enhancing the Backward-Pass Convergence of Unrolled Optimization [50.38518771642365]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。 Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文参考訳（メタデータ） (2023-12-28T23:15:18Z)
Faster Margin Maximization Rates for Generic and Adversarially Robust Optimization Methods [20.118513136686452]
一階最適化法は、未決定の訓練目標を最小化する際に、本質的に他よりも特定の解を優先する傾向がある。本稿では,ミラー降下法と最急降下法について,最先端の暗黙バイアス率を示す。私たちの加速速度は、このゲームフレームワークにおけるオンライン学習アルゴリズムの残念な部分を活用することによって導き出されます。
論文参考訳（メタデータ） (2023-05-27T18:16:56Z)
Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
論文参考訳（メタデータ） (2022-09-27T17:51:31Z)
Optimistic Optimization of Gaussian Process Samples [30.226274682578172]
競合する、計算的により効率的でグローバルな最適化フレームワークは楽観的な最適化であり、これは探索空間の幾何学に関する事前知識を相似関数として利用している。幾何的探索と確率的探索の間には新たな研究領域があり、ベイズ最適化の重要な機能を保ちながら、従来のベイズ最適化よりも大幅に高速に実行される方法がある。
論文参考訳（メタデータ） (2022-09-02T09:06:24Z)
LinEasyBO: Scalable Bayesian Optimization Approach for Analog Circuit Synthesis via One-Dimensional Subspaces [11.64233949999656]
アナログ回路合成のための1次元部分空間による高速でロバストなベイズ最適化手法を提案する。提案アルゴリズムは,バッチサイズが15のとき,LP-EIおよびREMBOpBOと比較して最大9倍,38倍の最適化手順を高速化できる。
論文参考訳（メタデータ） (2021-09-01T21:25:25Z)
Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。 Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文参考訳（メタデータ） (2020-10-15T18:09:48Z)

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。