論文の概要: AirIMU: Learning Uncertainty Propagation for Inertial Odometry
- arxiv url: http://arxiv.org/abs/2310.04874v3
- Date: Thu, 12 Oct 2023 12:56:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-16 03:03:38.492796
- 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
- Towards Understanding Variants of Invariant Risk Minimization through
the Lens of Calibration [0.8158530638728501]
実世界のアプリケーションでは、テスト分布はトレーニングとは異なることが多い。
不変リスク最小化(Invariant Risk Minimization)は、異なる環境間で不変な特徴を特定し、アウト・オブ・ディストリビューションを強化することを目的としている。
本研究では,これらの近似IRM手法について検討し,予測誤差(ECE)を指標として検討した。
論文 参考訳(メタデータ) (2024-01-31T02:08:43Z) - Multiparameter critical quantum metrology with impurity probes [0.0]
臨界量子量論の新しいパラダイムとして、2IKモデルを導入する。
既知の制御場を適用することにより,特異性を除去し,測定感度を回復できることを実証する。
論文 参考訳(メタデータ) (2023-11-28T16:32:51Z) - Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。
本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。
新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
論文 参考訳(メタデータ) (2023-07-19T12:11:15Z) - RIOT: Recursive Inertial Odometry Transformer for Localisation from
Low-Cost IMU Measurements [5.770538064283154]
我々は,慣性データにおける空間的特徴と長距離依存性の両方を自己注意を利用して捉えた,不変な深部慣性音韻のポーズのための2つのエンドツーエンドフレームワークを提案する。
我々は、同じデータで同じ方法で訓練されたカスタム2層Gated Recurrent Unitに対するアプローチを評価し、複数の異なるユーザ、デバイス、アクティビティに対してそれぞれのアプローチをテストした。
論文 参考訳(メタデータ) (2023-03-03T00:20:01Z) - Learning Discretized Neural Networks under Ricci Flow [51.36292559262042]
低精度重みとアクティベーションからなる離散ニューラルネットワーク(DNN)について検討する。
DNNは、訓練中に微分不可能な離散関数のために無限あるいはゼロの勾配に悩まされる。
論文 参考訳(メタデータ) (2023-02-07T10:51:53Z) - Multi-Fidelity Covariance Estimation in the Log-Euclidean Geometry [0.0]
対称正定値多様体の対数ユークリッド幾何学を利用する共分散行列の多値推定器を導入する。
固定予算が与えられた推定器の平均二乗誤差を最小化する最適サンプル割り当て方式を開発した。
物理アプリケーションからのデータによるアプローチの評価は、ベンチマークと比較すると、より正確なメトリック学習と1桁以上のスピードアップを示している。
論文 参考訳(メタデータ) (2023-01-31T16:33:46Z) - Mutual Wasserstein Discrepancy Minimization for Sequential
Recommendation [82.0801585843835]
逐次リコメンデーションのためのMutual WasserStein差分最小化MSteinに基づく新しい自己教師型学習フレームワークを提案する。
また,ワッサーシュタイン離散度測定に基づく新しい学習損失を提案する。
論文 参考訳(メタデータ) (2023-01-28T13:38:48Z) - The role of MRI physics in brain segmentation CNNs: achieving
acquisition invariance and instructive uncertainties [3.46329153611365]
本稿では,物理インフォームド・不確実性を考慮したセグメンテーションネットワークの有効性を示す。
提案手法は, 分布外配列サンプルに対して精度良く外挿することを示す。
本研究では,不確実性に基づくボリューム検証による変動係数の大幅な改善を示す。
論文 参考訳(メタデータ) (2021-11-04T11:52:49Z) - Bayesian Uncertainty Estimation of Learned Variational MRI
Reconstruction [63.202627467245584]
我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。
提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
論文 参考訳(メタデータ) (2021-02-12T18:08:14Z) - 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) - Inverse Learning of Symmetries [71.62109774068064]
2つの潜在部分空間からなるモデルで対称性変換を学ぶ。
我々のアプローチは、情報ボトルネックと連続的な相互情報正規化器の組み合わせに基づいています。
我々のモデルは, 人工的および分子的データセットにおける最先端の手法より優れている。
論文 参考訳(メタデータ) (2020-02-07T13:48:52Z)
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。