論文の概要: Split-KalmanNet: A Robust Model-Based Deep Learning Approach for SLAM

• arxiv url: http://arxiv.org/abs/2210.09636v1
• Date: Tue, 18 Oct 2022 07:10:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 16:17:18.984701
• Title: Split-KalmanNet: A Robust Model-Based Deep Learning Approach for SLAM
• Title（参考訳）: Split-KalmanNet:SLAMのためのロバストモデルに基づくディープラーニングアプローチ
• Authors: Geon Choi, Jeonghun Park, Nir Shlezinger, Yonina C. Eldar, Namyoon Lee
• Abstract要約: SLAMは、未知の環境の地図を構築し、地図上の移動エージェントの位置を同時にローカライズする手法である。 拡張カルマンフィルタ(EKF)は、オンラインSLAMの低複雑性ソリューションとして広く採用されている。 スプリットカルマンネット(Split-KalmanNet)と呼ばれるオンラインSLAMにおいて,ディープラーニングのパワーを用いた頑健なEKFアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 101.32324781612172
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simultaneous localization and mapping (SLAM) is a method that constructs a map of an unknown environment and localizes the position of a moving agent on the map simultaneously. Extended Kalman filter (EKF) has been widely adopted as a low complexity solution for online SLAM, which relies on a motion and measurement model of the moving agent. In practice, however, acquiring precise information about these models is very challenging, and the model mismatch effect causes severe performance loss in SLAM. In this paper, inspired by the recently proposed KalmanNet, we present a robust EKF algorithm using the power of deep learning for online SLAM, referred to as Split-KalmanNet. The key idea of Split-KalmanNet is to compute the Kalman gain using the Jacobian matrix of a measurement function and two recurrent neural networks (RNNs). The two RNNs independently learn the covariance matrices for a prior state estimate and the innovation from data. The proposed split structure in the computation of the Kalman gain allows to compensate for state and measurement model mismatch effects independently. Numerical simulation results verify that Split-KalmanNet outperforms the traditional EKF and the state-of-the-art KalmanNet algorithm in various model mismatch scenarios.
• Abstract（参考訳）: 同時ローカライゼーション・マッピング (slam) は未知の環境の地図を構築し、地図上の移動エージェントの位置を同時にローカライズする手法である。 拡張カルマンフィルタ(EKF)は、移動剤の運動と測定モデルに依存するオンラインSLAMの低複雑性解として広く採用されている。 しかし、実際にはこれらのモデルに関する正確な情報を取得することは非常に困難であり、モデルミスマッチ効果はSLAMの大幅な性能低下を引き起こす。 本稿では、最近提案されたKalmanNetに触発されて、オンラインSLAM(Split-KalmanNet)にディープラーニングの力を利用した堅牢なEKFアルゴリズムを提案する。 Split-KalmanNetの鍵となる考え方は、測定関数のヤコビ行列と2つのリカレントニューラルネットワーク(RNN)を用いてカルマンゲインを計算することである。 2つのRNNは、先行状態推定のための共分散行列とデータからイノベーションを独立に学習する。 カルマンゲインの計算における分割構造は、状態と測定モデルのミスマッチ効果を独立に補償することができる。 Split-KalmanNet は従来の EKF や最先端の KalmanNet アルゴリズムよりも,様々なモデルミスマッチシナリオで優れていた。

関連論文リスト

• Uncertainty Representations in State-Space Layers for Deep Reinforcement Learning under Partial Observability [59.758009422067]
  線形状態空間モデルにおいて閉形式ガウス推論を行う独立なカルマンフィルタ層を提案する。 効率的な線形リカレント層と同様に、Kalmanフィルタ層は並列スキャンを使用してシーケンシャルデータを処理している。 実験により、不確実性推論が意思決定の鍵となる問題においてカルマンフィルタ層が優れており、他のステートフルモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-25T11:22:29Z)
• A domain decomposition-based autoregressive deep learning model for unsteady and nonlinear partial differential equations [2.7755345520127936]
  非定常・非線形偏微分方程式(PDE)を正確にモデル化するためのドメイン分割型ディープラーニング(DL)フレームワークCoMLSimを提案する。 このフレームワークは、(a)畳み込みニューラルネットワーク(CNN)ベースのオートエンコーダアーキテクチャと(b)完全に接続された層で構成される自己回帰モデルという、2つの重要なコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2024-08-26T17:50:47Z)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• Unsupervised Learned Kalman Filtering [84.18625250574853]
  教師なし適応は、KalmanNetのハイブリッドモデルベース/データ駆動アーキテクチャを活用することで達成される。 我々は、ノイズ統計が未知の場合、教師なしのKalmanNetが教師なし学習でKalmanNetと同じような性能を達成することを数値的に示す。
  論文  参考訳（メタデータ） (2021-10-18T04:04:09Z)
• KalmanNet: Neural Network Aided Kalman Filtering for Partially Known Dynamics [84.18625250574853]
  KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。 我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
  論文  参考訳（メタデータ） (2021-07-21T12:26:46Z)
• Accurate and efficient Simulation of very high-dimensional Neural Mass Models with distributed-delay Connectome Tensors [0.23453441553817037]
  本稿では,2つの必須成分によって定義された高次元ニューラルマスモデル(NMM)を効率的に統合する手法を提案する。 1つ目は、各神経質量の力学の非線形ランダム微分方程式の集合である。 2つ目は、接続の強度と各接続の軸線に沿った情報伝達の遅延を符号化する、非常にスパースな3次元コネクトーム(CT)である。
  論文  参考訳（メタデータ） (2020-09-16T05:55:17Z)
• PointNetKL: Deep Inference for GICP Covariance Estimation in Bathymetric SLAM [2.064612766965483]
  本稿では,ポイントネットを用いたポイントクラウド登録の不確実性を推定する新しい手法を提案する。 我々は、このネットワークを、学習された不確実性分布とモンテカルロ法で計算された分散KLを用いて訓練する。 自律型水中車両を用いたSLAMの用途に適用した一般モデルの性能を検証した。
  論文  参考訳（メタデータ） (2020-03-24T15:44:07Z)
• Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
  最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。 このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
  論文  参考訳（メタデータ） (2020-03-13T13:11:35Z)

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。