論文の概要: PRISM: Probabilistic Real-Time Inference in Spatial World Models

• arxiv url: http://arxiv.org/abs/2212.02988v1
• Date: Tue, 6 Dec 2022 13:59:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 15:38:57.514895
• Title: PRISM: Probabilistic Real-Time Inference in Spatial World Models
• Title（参考訳）: PRISM:空間世界モデルにおける確率的リアルタイム推論
• Authors: Atanas Mirchev, Baris Kayalibay, Ahmed Agha, Patrick van der Smagt, Daniel Cremers, Justin Bayer
• Abstract要約: PRISMはエージェントの動きと視覚知覚の確率的生成モデルにおけるリアルタイムフィルタリングの手法である。 提案手法は10Hzでリアルタイムに動作し,小型・中型屋内環境における最先端SLAMと同等に精度が高い。
• 参考スコア（独自算出の注目度）: 52.878769723544615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce PRISM, a method for real-time filtering in a probabilistic generative model of agent motion and visual perception. Previous approaches either lack uncertainty estimates for the map and agent state, do not run in real-time, do not have a dense scene representation or do not model agent dynamics. Our solution reconciles all of these aspects. We start from a predefined state-space model which combines differentiable rendering and 6-DoF dynamics. Probabilistic inference in this model amounts to simultaneous localisation and mapping (SLAM) and is intractable. We use a series of approximations to Bayesian inference to arrive at probabilistic map and state estimates. We take advantage of well-established methods and closed-form updates, preserving accuracy and enabling real-time capability. The proposed solution runs at 10Hz real-time and is similarly accurate to state-of-the-art SLAM in small to medium-sized indoor environments, with high-speed UAV and handheld camera agents (Blackbird, EuRoC and TUM-RGBD).
• Abstract（参考訳）: エージェント動作と視覚知覚の確率的生成モデルにおけるリアルタイムフィルタリング手法であるPRISMを紹介する。 以前のアプローチでは、マップとエージェントの状態の不確実性推定が欠如していたり、リアルタイムに動作しなかったり、密度の高いシーン表現を持っていなかったり、エージェントのダイナミクスをモデル化しなかったりしている。 私たちのソリューションはこれらのすべての側面を調整します。 まず、微分可能レンダリングと6-DoFダイナミックスを組み合わせた事前定義された状態空間モデルから始める。 このモデルにおける確率的推論は同時局所化とマッピング(slam)に相当し、難解である。 ベイズ推定に対する一連の近似を用いて確率写像と状態推定に到達する。 我々は,確立された手法とクローズドフォーム更新を活用し,精度を保ち,リアルタイム機能を実現する。 提案手法は10Hzのリアルタイムで動作し, 高速UAVとハンドヘルドカメラエージェント(Blackbird, EuRoC, TUM-RGBD)を備えた小型・中型屋内環境における最先端SLAMと同等の精度である。

関連論文リスト

• Uncertainty Quantification for Local Model Explanations Without Model Access [0.44241702149260353]
  本稿では,機械学習モデルに対するポストホックな説明を生成するためのモデルに依存しないアルゴリズムを提案する。 本アルゴリズムは,モデルクエリの有限サンプルから説明を生成する際に必然的に発生する不確実性を定量化するためにブートストラップ方式を用いる。
  論文  参考訳（メタデータ） (2023-01-13T21:18:00Z)
• TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
  本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。 提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。 私たちのコードはGitHubで公開されます。
  論文  参考訳（メタデータ） (2023-01-05T22:10:16Z)
• LOPR: Latent Occupancy PRediction using Generative Models [49.15687400958916]
  LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。 本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-03T22:04:00Z)
• Wireless Channel Prediction in Partially Observed Environments [10.803318254625687]
  サイト固有の無線周波数(RF)伝搬予測は、カメラやLIDARセンサーなどの視覚データから構築されたモデルにますます依存している。 本稿では,周辺環境の部分的な観測から,統計的チャネルモデルを抽出する手法を提案する。 提案手法は, 部分的な情報が得られない場合に完全に統計モデルと, 環境が完全に観察された場合に完全に決定論的モデルとを補間できることを示す。
  論文  参考訳（メタデータ） (2022-07-03T01:46:57Z)
• Learning to track environment state via predictive autoencoding [0.0]
  この研究は、環境の前方モデルを学ぶためのニューラルネットワークを導入している。 この課題は、画像の形で時間的非構造的な観察から学ぶことによってのみ達成される。 ネットワークは、将来の観測と、信念分布からのサンプルの両方を出力することができる。
  論文  参考訳（メタデータ） (2021-12-14T21:07:21Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Bayesian deep learning of affordances from RGB images [5.939410304994348]
  本稿では,RGB画像から直接,環境の可利用性を予測するための深層学習手法を提案する。 社会的に受け入れられた価格に関するこれまでの研究に基づいて,本モデルでは,対象物と全画像の局所的・グローバル的情報を組み合わせたマルチスケールCNNをベースとした。 以上の結果から,Brierスコアと予測誤差のMC-dropoutと比較すると,深層アンサンブルの限界性能が向上した。
  論文  参考訳（メタデータ） (2021-09-27T07:39:47Z)
• RNN with Particle Flow for Probabilistic Spatio-temporal Forecasting [30.277213545837924]
  古典的な統計モデルの多くは、時系列データに存在する複雑さと高い非線形性を扱うのに不足することが多い。 本研究では,時系列データを非線形状態空間モデルからのランダムな実現とみなす。 粒子流は, 複雑で高次元的な設定において極めて有効であることを示すため, 状態の後方分布を近似するツールとして用いられる。
  論文  参考訳（メタデータ） (2021-06-10T21:49:23Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Nonparametric Estimation in the Dynamic Bradley-Terry Model [69.70604365861121]
  カーネルのスムース化に依存する新しい推定器を開発し、時間とともにペア比較を前処理する。 モデルに依存しない設定における推定誤差と余剰リスクの両方について時間変化のオラクル境界を導出する。
  論文  参考訳（メタデータ） (2020-02-28T21:52:49Z)

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。