論文の概要: Prediction of SLAM ATE Using an Ensemble Learning Regression Model and
1-D Global Pooling of Data Characterization
- arxiv url: http://arxiv.org/abs/2303.00616v1
- Date: Wed, 1 Mar 2023 16:12:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-02 14:12:35.416467
- Title: Prediction of SLAM ATE Using an Ensemble Learning Regression Model and
1-D Global Pooling of Data Characterization
- Title（参考訳）: Ensemble Learning Regression Model を用いたSLAM ATEの予測とデータ解析の1次元グローバルポーリング
- Authors: Islam Ali, Bingqing (Selina) Wan, Hong Zhang
- Abstract要約: 原位置センサの入力特性に基づいてSLAMの局所化誤差を予測する新しい手法を提案する。
提案手法は, 原位置センサデータから生成した1次元グローバルプール特徴に基づくランダム森林回帰モデルを用いた。
また,12の異なる1次元大域プール関数が回帰品質に及ぼす影響について検討し,その1次元大域平均化の優位性について定量的に検証した。
- 参考スコア（独自算出の注目度）: 3.4399698738841553
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Robustness and resilience of simultaneous localization and mapping (SLAM) are
critical requirements for modern autonomous robotic systems. One of the
essential steps to achieve robustness and resilience is the ability of SLAM to
have an integrity measure for its localization estimates, and thus, have
internal fault tolerance mechanisms to deal with performance degradation. In
this work, we introduce a novel method for predicting SLAM localization error
based on the characterization of raw sensor inputs. The proposed method relies
on using a random forest regression model trained on 1-D global pooled features
that are generated from characterized raw sensor data. The model is validated
by using it to predict the performance of ORB-SLAM3 on three different datasets
running on four different operating modes, resulting in an average prediction
accuracy of up to 94.7\%. The paper also studies the impact of 12 different 1-D
global pooling functions on regression quality, and the superiority of 1-D
global averaging is quantitatively proven. Finally, the paper studies the
quality of prediction with limited training data, and proves that we are able
to maintain proper prediction quality when only 20 \% of the training examples
are used for training, which highlights how the proposed model can optimize the
evaluation footprint of SLAM systems.
- Abstract（参考訳）: 同時ローカライゼーションとマッピング(SLAM)のロバスト性とレジリエンスは、現代の自律ロボットシステムにとって重要な要件である。
堅牢性とレジリエンスを達成するための重要なステップの1つは、SLAMが、そのローカライゼーション推定のための整合性の測定値を持ち、性能劣化に対処する内部フォールトトレランス機構を持つことである。
本研究では,原位置センサの入力特性に基づいたSLAM局所化誤差の予測手法を提案する。
提案手法は,特徴的生センサデータから生成した1次元グローバルプール特徴を学習したランダムフォレスト回帰モデルを用いる。
このモデルは、4つの異なるオペレーティングモードで動作する3つのデータセット上でORB-SLAM3のパフォーマンスを予測するために使用され、平均予測精度は94.7\%となる。
また,12種類の異なる1次元グローバルプーリング関数が回帰品質に及ぼす影響について検討し,1次元グローバル平均化の優位性を定量的に証明した。
最後に,トレーニングデータに制限のある予測品質を調査し,トレーニング例の20%しかトレーニングに使用していない場合,適切な予測品質を維持することが可能であることを証明し,提案モデルがslamシステムの評価フットプリントを最適化する方法を強調する。
関連論文リスト
- What Do Learning Dynamics Reveal About Generalization in LLM Reasoning? [83.83230167222852]
モデルの一般化動作は,事前記憶列車の精度と呼ばれるトレーニング指標によって効果的に特徴づけられることがわかった。
モデルの学習行動と一般化を結びつけることで、トレーニング戦略に目標とする改善を導くことができる。
論文 参考訳（メタデータ） (2024-11-12T09:52:40Z) - Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - Quantifying Distribution Shifts and Uncertainties for Enhanced Model Robustness in Machine Learning Applications [0.0]
本研究では,合成データを用いたモデル適応と一般化について検討する。
我々は、データ類似性を評価するために、Kullback-Leiblerの発散、Jensen-Shannon距離、Mahalanobis距離などの量的尺度を用いる。
本研究は,マハラノビス距離などの統計指標を用いて,モデル予測が低誤差の「補間体制」内にあるか,あるいは高誤差の「補間体制」が分布変化とモデル不確実性を評価するための補完的手法を提供することを示唆している。
論文 参考訳（メタデータ） (2024-05-03T10:05:31Z) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-22T02:12:08Z) - Transfer Learning with Uncertainty Quantification: Random Effect
Calibration of Source to Target (RECaST) [1.8047694351309207]
我々はRECaSTと呼ばれる伝達学習に基づくモデル予測のための統計的枠組みを開発する。
線形モデル間の伝達学習におけるRECaST手法の有効性を数学的・実験的に実証した。
シミュレーション研究における本手法の性能と実際の病院データへの適用について検討する。
論文 参考訳（メタデータ） (2022-11-29T19:39:47Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Variation-Incentive Loss Re-weighting for Regression Analysis on Biased
Data [8.115323786541078]
モデルトレーニング中のデータ歪/バイアスに対処することで回帰分析の精度を向上させることを目的としている。
回帰分析のための勾配降下モデルトレーニングを最適化するために,変分集中損失再重み付け法(VILoss)を提案する。
論文 参考訳（メタデータ） (2021-09-14T10:22:21Z) - How Faithful is your Synthetic Data? Sample-level Metrics for Evaluating
and Auditing Generative Models [95.8037674226622]
ドメインに依存しない方法で生成モデルの忠実度,多様性,一般化性能を特徴付ける3次元評価指標を提案する。
当社のメトリクスは、精度リコール分析により統計的発散測定を統合し、モデル忠実度と多様性のサンプルおよび分布レベルの診断を可能にします。
論文 参考訳（メタデータ） (2021-02-17T18:25:30Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z) - Stable Prediction with Model Misspecification and Agnostic Distribution
Shift [41.26323389341987]
機械学習アルゴリズムでは、2つの主要な仮定が性能を保証するために必要である。
1つは、トレーニングデータと同じ分布からテストデータが引き出され、もう1つは、モデルが正しく指定されていることである。
モデルのミススペクテーションの下では、トレーニングデータとテストデータの間の分布シフトは、パラメータ推定の不正確さと未知のテストデータ間の予測の不安定性をもたらす。
可変デコリレーション正規化器と重み付き回帰モデルとを協調的に最適化する新しいDecororrelated Weighting Regression (DWR)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-01-31T08:56:35Z)
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。