論文の概要: Dynamically Finding Optimal Observer States to Minimize Localization Error with Complex State-Dependent Noise

• arxiv url: http://arxiv.org/abs/2211.16721v1
• Date: Wed, 30 Nov 2022 04:05:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 17:42:12.722194
• Title: Dynamically Finding Optimal Observer States to Minimize Localization Error with Complex State-Dependent Noise
• Title（参考訳）: 複素状態依存雑音による局所誤差最小化のための最適オブザーバ状態の動的探索
• Authors: Troi Williams, Po-Lun Chen, Sparsh Bhogavilli, Vaibhav Sanjay, Pratap Tokekar
• Abstract要約: 局所化誤差を最小限に抑えるために動的に最適状態を検出する能動的認識法DyFOSを提案する。 提案手法を数値シミュレーション(Gazebo)実験により評価した。
• 参考スコア（独自算出の注目度）: 12.555785036477724
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present DyFOS, an active perception method that Dynamically Finds Optimal States to minimize localization error while avoiding obstacles and occlusions. We consider the scenario where a ground target without any exteroceptive sensors must rely on an aerial observer for pose and uncertainty estimates to localize itself along an obstacle-filled path. The observer uses a downward-facing camera to estimate the target's pose and uncertainty. However, the pose uncertainty is a function of the states of the observer, target, and surrounding environment. To find an optimal state that minimizes the target's localization uncertainty, DyFOS uses a localization error prediction pipeline in an optimization search. Given the states mentioned above, the pipeline predicts the target's localization uncertainty with the help of a trained, complex state-dependent sensor measurement model (which is a probabilistic neural network in our case). Our pipeline also predicts target occlusion and obstacle collision to remove undesirable observer states. The output of the optimization search is an optimal observer state that minimizes target localization uncertainty while avoiding occlusion and collision. We evaluate the proposed method using numerical and simulated (Gazebo) experiments. Our results show that DyFOS is almost 100x faster than yet as good as brute force. Furthermore, DyFOS yielded lower localization errors than random and heuristic searches.
• Abstract（参考訳）: 障害や閉塞を回避しつつ、局所化誤差を最小限に抑えるため、動的に最適状態を検出する能動的知覚法DyFOSを提案する。 本研究では,外感センサのない地上目標が,障害物に満たされた経路に沿って位置決めするために,姿勢推定や不確実性推定に航空オブザーバーに頼らなければならないシナリオを考察する。 オブザーバは下向きのカメラを使用して、ターゲットのポーズと不確かさを推定する。 しかし、ポーズの不確実性は観測者、目標、および周囲の環境の状態の関数である。 ターゲットのローカライゼーションの不確実性を最小化する最適な状態を見つけるために、DyFOSは最適化探索にローカライズエラー予測パイプラインを使用する。 上記の状態を考えると、パイプラインは訓練された複雑な状態に依存したセンサ計測モデル(この場合は確率的ニューラルネットワーク)の助けを借りて、ターゲットの局在の不確実性を予測する。 我々のパイプラインは目標の閉塞や障害物衝突を予測し、望ましくないオブザーバー状態を取り除く。 最適化探索の出力は、咬合や衝突を避けつつ目標の局在の不確かさを最小限に抑える最適な観察状態である。 数値シミュレーション(Gazebo)実験を用いて提案手法の評価を行った。 以上の結果から,DyFOSはブルート力の約100倍高速であることがわかった。 さらに、DyFOSはランダム検索やヒューリスティック検索よりもローカライゼーション誤差が低い。

関連論文リスト

• DiffSF: Diffusion Models for Scene Flow Estimation [17.512660491303684]
  本稿では,変圧器を用いたシーンフロー推定とデノナイズ拡散モデルを組み合わせたDiffSFを提案する。 拡散過程は, 従来の手法に比べて, 予測の堅牢性を大幅に向上させることを示す。 異なる初期状態で複数回サンプリングすることにより、復調過程は複数の仮説を予測し、出力の不確実性を測定することができる。
  論文  参考訳（メタデータ） (2024-03-08T14:06:15Z)
• Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
  不確実性推定は統計的に正確な予測を提供する効果的なツールである。 本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
  論文  参考訳（メタデータ） (2023-02-12T14:30:03Z)
• Adaptive Self-supervision Algorithms for Physics-informed Neural Networks [59.822151945132525]
  物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。 これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。 モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
  論文  参考訳（メタデータ） (2022-07-08T18:17:06Z)
• Learning-based Localizability Estimation for Robust LiDAR Localization [13.298113481670038]
  LiDARベースのローカライゼーションとマッピングは、多くの現代のロボットシステムにおける中核的なコンポーネントの1つである。 本研究では,ロボット動作中の(非)局所性を検出するニューラルネットワークに基づく推定手法を提案する。
  論文  参考訳（メタデータ） (2022-03-11T01:12:00Z)
• Multi-Agent Active Search using Detection and Location Uncertainty [6.587280549237275]
  アクティブ検索アルゴリズムは、検出の不確実性と位置不確実性という2つのタイプの不確実性とを競合しなければならない。 まず,ターゲット検出と位置不確実性の両方を共同で扱う推論手法を提案する。 次に、トンプソンサンプリングを用いて、分散マルチエージェント能動探索を可能にする意思決定アルゴリズムを構築する。
  論文  参考訳（メタデータ） (2022-03-09T04:53:37Z)
• CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
  ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。 本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。 私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
  論文  参考訳（メタデータ） (2021-10-04T17:59:31Z)
• Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
  オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。 異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
  論文  参考訳（メタデータ） (2021-07-28T10:19:58Z)
• Bandit Quickest Changepoint Detection [55.855465482260165]
  すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。 有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。 本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
  論文  参考訳（メタデータ） (2021-07-22T07:25:35Z)
• Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
  アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。 アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。 本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
  論文  参考訳（メタデータ） (2020-06-28T13:49:30Z)
• A Novel CNN-based Method for Accurate Ship Detection in HR Optical Remote Sensing Images via Rotated Bounding Box [10.689750889854269]
  船舶検出における現在のCNN法に共通する欠点を克服し, 新たなCNNに基づく船舶検出手法を提案する。 配向と他の変数を独立に予測できるが、より効果的に、新しい二分岐回帰ネットワークで予測できる。 船体検出において提案手法が優れていることを示す実験結果が得られた。
  論文  参考訳（メタデータ） (2020-04-15T14:48:46Z)

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。