論文の概要: AirIMU: Learning Uncertainty Propagation for Inertial Odometry

• arxiv url: http://arxiv.org/abs/2310.04874v2
• Date: Tue, 10 Oct 2023 18:53:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-12 14:46:41.383585
• Title: AirIMU: Learning Uncertainty Propagation for Inertial Odometry
• Title（参考訳）: AirIMU:慣性オドメトリーにおける不確実性伝播の学習
• Authors: Yuheng Qiu, Chen Wang, Xunfei Zhou, Youjie Xia, Sebastian Scherer
• Abstract要約: IMUに固有の非線形性をカプセル化する学習ベース手法を開発した。 また、共分散の正確な伝播をデータ駆動方式で保証する。 本手法は慣性オードメトリーの先進的発展の基礎となる。
• 参考スコア（独自算出の注目度）: 6.03353753206005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate uncertainty estimation for inertial odometry is the foundation to achieve optimal fusion in multi-sensor systems, such as visual or LiDAR inertial odometry. Prior studies often simplify the assumptions regarding the uncertainty of inertial measurements, presuming fixed covariance parameters and empirical IMU sensor models. However, the inherent physical limitations and non-linear characteristics of sensors are difficult to capture. Moreover, uncertainty may fluctuate based on sensor rates and motion modalities, leading to variations across different IMUs. To address these challenges, we formulate a learning-based method that not only encapsulate the non-linearities inherent to IMUs but also ensure the accurate propagation of covariance in a data-driven manner. We extend the PyPose library to enable differentiable batched IMU integration with covariance propagation on manifolds, leading to significant runtime speedup. To demonstrate our method's adaptability, we evaluate it on several benchmarks as well as a large-scale helicopter dataset spanning over 262 kilometers. The drift rate of the inertial odometry on these datasets is reduced by a factor of between 2.2 and 4 times. Our method lays the groundwork for advanced developments in inertial odometry.
• Abstract（参考訳）: 慣性オドメトリーの正確な不確実性評価は、視覚・LiDAR慣性オドメトリーのようなマルチセンサーシステムにおいて最適な融合を実現する基盤となる。 先行研究はしばしば慣性測定の不確実性に関する仮定を単純化し、固定共分散パラメータと経験的imuセンサモデルを仮定する。 しかし,センサの物理的制約や非線形特性は捕捉が困難である。 さらに、不確かさはセンサーの速度と動きのモダリティに基づいて変動し、様々なimusに変化する。 これらの課題に対処するために, imus固有の非線形性をカプセル化するだけでなく, データ駆動方式で共分散の正確な伝播を保証する学習ベースの手法を考案する。 我々は,PyPoseライブラリを拡張して,多様体上の共分散伝搬と異なるバッチIMU統合を可能にする。 本手法の適応性を示すために,いくつかのベンチマークおよび262kmを超える大規模ヘリコプターデータセットを用いて評価を行った。 これらのデータセット上の慣性オドメトリのドリフトレートは、2.2倍から4倍に減少する。 本手法は慣性オードメトリーの先進的発展の基礎となる。

関連論文リスト

• 3D Multi-Object Tracking with Semi-Supervised GRU-Kalman Filter [6.13623925528906]
  3D Multi-Object Tracking (MOT)は、自律運転やロボットセンシングのようなインテリジェントなシステムに不可欠である。 本稿では,学習可能なカルマンフィルタを移動モジュールに導入するGRUベースのMOT法を提案する。 このアプローチは、データ駆動学習を通じてオブジェクトの動き特性を学習することができ、手動モデル設計やモデルエラーを回避することができる。
  論文  参考訳（メタデータ） (2024-11-13T08:34:07Z)
• Enhancing Training Data Attribution for Large Language Models with Fitting Error Consideration [74.09687562334682]
  Debias and Denoise Attribution (DDA) と呼ばれる新しいトレーニングデータ属性法を導入する。 提案手法は既存のアプローチよりも優れており,平均91.64%のAUCを実現している。 DDAは、様々なソースとLLaMA2、QWEN2、Mistralのような異なるスケールのモデルに対して、強力な汎用性とスケーラビリティを示す。
  論文  参考訳（メタデータ） (2024-10-02T07:14:26Z)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)
• DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
  複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。 運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。 我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
  論文  参考訳（メタデータ） (2023-10-03T10:10:42Z)
• Towards Scale-Aware, Robust, and Generalizable Unsupervised Monocular Depth Estimation by Integrating IMU Motion Dynamics [74.1720528573331]
  教師なし単眼深度と自我運動推定は近年広く研究されている。 我々は、視覚情報とIMUモーションダイナミクスを統合した新しいスケールアウェアフレームワークDynaDepthを提案する。 我々は、KITTIおよびMake3Dデータセット上で広範囲な実験とシミュレーションを行うことにより、DynaDepthの有効性を検証する。
  論文  参考訳（メタデータ） (2022-07-11T07:50:22Z)
• Transformer Inertial Poser: Attention-based Real-time Human Motion Reconstruction from Sparse IMUs [79.72586714047199]
  本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。 提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
  論文  参考訳（メタデータ） (2022-03-29T16:24:52Z)
• Trust Your IMU: Consequences of Ignoring the IMU Drift [2.253916533377465]
  本研究では,未知の焦点長と半径歪みプロファイルを持つ相対ポーズ問題を共同で解くための最初の解法を開発した。 部分校正されたセットアップでは,精度が小さく,あるいは無視できるような,最先端のアルゴリズムに比べて大幅なスピードアップを示す。 市販の異なる低コストのUAV上で提案されたソルバーを評価し、IMUドリフトに関する新しい仮定が実用アプリケーションで実現可能であることを実証する。
  論文  参考訳（メタデータ） (2021-03-15T11:24:54Z)
• Deep Inertial Odometry with Accurate IMU Preintegration [16.598260336275892]
  慣性測定ユニット (IMU) は、環境要因に依存しないエゴモーション計測を提供する、インターセプティブなモダリティである。 本研究では,DIO(Deep Inertial odometry)のためのIMU運動モデルに対するより現実的な解として,正確な事前積分の有効性を検討する。 結果のdioは、モデル駆動とデータ駆動のアプローチの融合です。
  論文  参考訳（メタデータ） (2021-01-18T13:16:04Z)
• IMU Preintegrated Features for Efficient Deep Inertial Odometry [0.0]
  慣性計測装置(IMU)は、様々なガジェットやロボットプラットフォームで、ユビキタスな固有受容運動測定装置として利用可能である。 これらのデータのみに基づく幾何学的変換やオードメトリの直接推論は難しい作業である。 本稿では, 深部慣性計測における生IMUデータの代替として, IMUプリインテグレーション機能を提案する。
  論文  参考訳（メタデータ） (2020-07-06T17:58:35Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)
• Intelligent Road Inspection with Advanced Machine Learning; Hybrid Prediction Models for Smart Mobility and Transportation Maintenance Systems [1.0773924713784704]
  本稿では,インテリジェント道路検査のための新しい機械学習モデルを提案する。 提案モデルでは, 落下重量偏向計(FWD)による表面偏向データを用いて, 舗装条件指数(PCI)の予測を行う。 解析結果は,平均相対誤差(APRE),平均絶対相対誤差(AAPRE),根平均二乗誤差(RMSE),標準誤差(SD)の4つの基準を用いて検証された。
  論文  参考訳（メタデータ） (2020-01-18T19:12:51Z)

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。