論文の概要: An Improved Multi-State Constraint Kalman Filter for Visual-Inertial
Odometry
- arxiv url: http://arxiv.org/abs/2210.08117v1
- Date: Tue, 4 Oct 2022 16:10:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 20:53:57.089643
- Title: An Improved Multi-State Constraint Kalman Filter for Visual-Inertial
Odometry
- Title(参考訳): 視覚慣性オドメトリーのための多状態制約カルマンフィルタの改良
- Authors: M.R. Abdollahi, Seid H. Pourtakdoust, M.H. Yoosefian Nooshabadi and
H.N. Pishkenari
- Abstract要約: 本稿では,Multi-State Constraint Kalman Filter(MSCKF)の強化版を提案する。
提案したFast-MSCKF (FMSCKF) は標準MSCKFアルゴリズムよりも約6倍高速で、最終位置推定において少なくとも20%精度が高いことが実証された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Fast pose estimation (PE) is of vital importance for successful mission
performance of agile autonomous robots. Global Positioning Systems such as GPS
and GNSS have been typically used in fusion with Inertial Navigation Systems
(INS) for PE. However, the low update rate and lack of proper signals make
their utility impractical for indoor and urban applications. On the other hand,
Visual-Inertial Odometry (VIO) is gaining popularity as a practical alternative
for GNSS/INS systems in GPS-denied environments. Among the many VIO-based
methods, the Multi-State Constraint Kalman Filter (MSCKF) has received a
greater attention due to its robustness, speed and accuracy. To this end, the
high computational cost associated with image processing for real-time
implementation of MSCKF on resource-constrained vehicles is still a challenging
ongoing research. In this paper, an enhanced version of the MSCKF is proposed.
To this aim, different feature marginalization and state pruning strategies are
suggested that result in a much faster algorithm. The proposed algorithm is
tested both on an open-source dataset and in real-world experiments for
validation. It is demonstrated that the proposed Fast-MSCKF (FMSCKF) is about
six times faster and at least 20% more accurate in final position estimation
than the standard MSCKF algorithm.
- Abstract(参考訳): 高速ポーズ推定(PE)は、アジャイル自律ロボットのミッションパフォーマンスの成功に不可欠である。
gpsやgnsのようなグローバル測位システムは、通常、peの慣性航法システム(ins)と融合して用いられる。
しかし、更新率の低さと適切な信号の欠如は、屋内や都市での利用には実用的でない。
一方,視覚慣性オドメトリー(VIO)は,GPSを用いた環境下でのGNSS/INSシステムの実用的な代替手段として人気を集めている。
多くのVIOベースの手法の中で、MSCKF(Multi-State Constraint Kalman Filter)はその堅牢性、速度、精度から注目されている。
この目的のために,MSCKFを資源制約車にリアルタイムに実装するための画像処理に係わる計算コストは,いまだに困難な研究である。
本稿では,MSCKFの改良版を提案する。
この目的のために、異なる特徴のマージン化と状態のプルーニング戦略が提案され、より高速なアルゴリズムとなる。
提案アルゴリズムは,オープンソースデータセットと実世界の検証実験の両方で検証される。
提案したFast-MSCKF (FMSCKF) は標準MSCKFアルゴリズムよりも約6倍高速で、最終位置推定において少なくとも20%精度が高いことが実証された。
関連論文リスト
- Brain-Inspired Visual Odometry: Balancing Speed and Interpretability
through a System of Systems Approach [0.0]
本研究は,視覚オドメトリー(VO)システムにおける速度と精度のバランスをとることの課題に対処する。
従来のVOシステムは、計算速度とポーズ推定の精度のトレードオフに直面していることが多い。
我々のシステムは、完全連結ネットワーク(FCN)内で、各自由度を独立に扱うアプローチにおいてユニークなものである。
論文 参考訳(メタデータ) (2023-12-20T16:23:48Z) - Tightly-coupled Visual-DVL-Inertial Odometry for Robot-based Ice-water
Boundary Exploration [8.555466536537292]
ローカライズ精度を高めるために,マルチセンサ融合フレームワークを提案する。
画像、ドップラー速度ログ(DVL)、慣性測定ユニット(IMU)、圧力センサーが統合されている。
提案手法は,凍結氷下のフィールドで収集したデータセットを用いて検証した。
論文 参考訳(メタデータ) (2023-03-29T20:16:39Z) - FedST: Secure Federated Shapelet Transformation for Time Series
Classification [5.249017312277057]
本稿では、プライバシ保護フェデレーション学習(FL)シナリオにおいて、外部データの助けを借りて時系列分類(TSC)手法をカスタマイズする方法を検討する。
シェープレット変換法に基づく新しいFL対応TSCフレームワークであるFedSTを提案する。
我々は、合成データセットと実世界のデータセットの両方を用いて広範な実験を行う。
論文 参考訳(メタデータ) (2023-02-21T12:44:12Z) - Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。
車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。
推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
論文 参考訳(メタデータ) (2022-05-16T12:14:42Z) - Collaborative Intelligent Reflecting Surface Networks with Multi-Agent
Reinforcement Learning [63.83425382922157]
インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。
本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
論文 参考訳(メタデータ) (2022-03-26T20:37:14Z) - Efficient Few-Shot Object Detection via Knowledge Inheritance [62.36414544915032]
Few-shot Object Detection (FSOD) は、未確認のタスクに少ないトレーニングサンプルで適応できるジェネリック検出器を学習することを目的としている。
計算量の増加を伴わない効率的なプレトレイン・トランスファー・フレームワーク(PTF)のベースラインを提案する。
また,予測された新しいウェイトと事前訓練されたベースウェイトとのベクトル長の不整合を軽減するために,適応長再スケーリング(ALR)戦略を提案する。
論文 参考訳(メタデータ) (2022-03-23T06:24:31Z) - COSMIC: fast closed-form identification from large-scale data for LTV
systems [4.10464681051471]
データから離散時間線形時変系を同定するための閉形式法を提案する。
我々は、最適性を保証するアルゴリズムを開発し、軌跡ごとに考慮されるインスタントの数を線形に増加させる複雑性を持つ。
本アルゴリズムは,彗星インターセプタミッション用の低忠実度および機能工学シミュレーションの両方に適用した。
論文 参考訳(メタデータ) (2021-12-08T16:07:59Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-08-05T19:29:35Z) - Reinforcement Learning with Fast Stabilization in Linear Dynamical
Systems [91.43582419264763]
未知の安定化線形力学系におけるモデルベース強化学習(RL)について検討する。
本研究では,環境を効果的に探索することで,基盤システムの高速安定化を証明できるアルゴリズムを提案する。
提案アルゴリズムはエージェント環境相互作用の時間ステップで$tildemathcalO(sqrtT)$ regretを達成した。
論文 参考訳(メタデータ) (2020-07-23T23:06:40Z) - FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention [88.33372574562824]
フィードフォワードネットワーク(FFN, FFN, 複数要素自己認識(FMA-ETA)に基づく新しいフレームワークを提案する。
異なるカテゴリの特徴に対処し,情報を意図的に集約する,新しい多要素自己認識機構を提案する。
実験の結果、FMA-ETAは予測精度において最先端の手法と競合し、推論速度は大幅に向上した。
論文 参考訳(メタデータ) (2020-06-07T08:10:47Z) - SDVTracker: Real-Time Multi-Sensor Association and Tracking for
Self-Driving Vehicles [11.317136648551537]
本稿では,関連性や状態推定に深層学習モデルを用いた,実用的で軽量なトラッキングシステムSDVTrackerを提案する。
本システムは,実世界の都市運転データセットにおいて,アクター100のシーンにおいて,CPU上で2.5ms未満で実行しながら,手作業による手法を著しく上回ることを示す。
論文 参考訳(メタデータ) (2020-03-09T23:07:23Z)
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。