Fugu-MT 論文翻訳(概要): Brain-Inspired Visual Odometry: Balancing Speed and Interpretability through a System of Systems Approach

論文の概要: Brain-Inspired Visual Odometry: Balancing Speed and Interpretability through a System of Systems Approach

arxiv url: http://arxiv.org/abs/2312.13162v1
Date: Wed, 20 Dec 2023 16:23:48 GMT
ステータス: 処理完了
システム内更新日: 2023-12-21 14:53:30.997299
Title: Brain-Inspired Visual Odometry: Balancing Speed and Interpretability through a System of Systems Approach
Title（参考訳）: 脳誘発視覚オドメトリー:システムアプローチによる速度と解釈可能性のバランス
Authors: Habib Boloorchi Tabrizi, Christopher Crick
Abstract要約: 本研究は,視覚オドメトリー(VO)システムにおける速度と精度のバランスをとることの課題に対処する。従来のVOシステムは、計算速度とポーズ推定の精度のトレードオフに直面していることが多い。我々のシステムは、完全連結ネットワーク(FCN)内で、各自由度を独立に扱うアプローチにおいてユニークなものである。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In this study, we address the critical challenge of balancing speed and accuracy while maintaining interpretablity in visual odometry (VO) systems, a pivotal aspect in the field of autonomous navigation and robotics. Traditional VO systems often face a trade-off between computational speed and the precision of pose estimation. To tackle this issue, we introduce an innovative system that synergistically combines traditional VO methods with a specifically tailored fully connected network (FCN). Our system is unique in its approach to handle each degree of freedom independently within the FCN, placing a strong emphasis on causal inference to enhance interpretability. This allows for a detailed and accurate assessment of relative pose error (RPE) across various degrees of freedom, providing a more comprehensive understanding of parameter variations and movement dynamics in different environments. Notably, our system demonstrates a remarkable improvement in processing speed without compromising accuracy. In certain scenarios, it achieves up to a 5% reduction in Root Mean Square Error (RMSE), showcasing its ability to effectively bridge the gap between speed and accuracy that has long been a limitation in VO research. This advancement represents a significant step forward in developing more efficient and reliable VO systems, with wide-ranging applications in real-time navigation and robotic systems.
Abstract（参考訳）: 本研究では,自律走行とロボット工学の分野における重要な側面である視覚計測システム(VO)の解釈性を保ちながら,速度と精度のバランスをとるという重要な課題に対処する。従来のvoシステムは計算速度とポーズ推定の精度のトレードオフに直面することが多い。この問題に対処するために,従来のVO手法と具体化された完全連結ネットワーク(FCN)を相乗的に組み合わせた革新的なシステムを導入する。本システムは,各自由度をFCN内で独立に扱うアプローチに特有であり,解釈可能性を高めるために因果推論に強く重点を置いている。これにより、様々な自由度で相対ポーズ誤差(RPE)を詳細に正確に評価することができ、異なる環境におけるパラメータの変動や動きのダイナミクスをより包括的に理解することができる。特に,本システムは精度を損なうことなく処理速度を著しく向上させる。特定のシナリオでは、最大で最大5%のRoot Mean Square Error(RMSE)を削減し、VO研究で長い間制限されてきた速度と精度のギャップを効果的に埋める能力を示している。この進歩は、より効率的で信頼性の高いVOシステムを開発するための重要な一歩であり、リアルタイムナビゲーションやロボットシステムに広く応用されている。

関連論文リスト

Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文参考訳（メタデータ） (2024-10-29T19:02:54Z)
SLIDE: A machine-learning based method for forced dynamic response estimation of multibody systems [42.87502453001109]
SLiding-Window初期停止型動的応答推定器(SLIDE) メカニカル・マルチボディシステムの出力シーケンスを推定する深層学習法その結果、シミュレーションから数百万までの大幅な高速化が示され、リアルタイム性能を大きく上回った。
論文参考訳（メタデータ） (2024-09-26T20:34:07Z)
Visual Agents as Fast and Slow Thinkers [88.6691504568041]
本稿では、Fast and Slow Thinking機構を視覚エージェントに組み込んだFaSTを紹介する。 FaSTは、システム1/2モード間の動的選択にスイッチアダプタを使用する。モデルの信頼性を調整し、新しいコンテキストデータを統合することで、不確実で目に見えないオブジェクトに取り組む。
論文参考訳（メタデータ） (2024-08-16T17:44:02Z)
Graph Neural Networks for Virtual Sensing in Complex Systems: Addressing Heterogeneous Temporal Dynamics [8.715570103753697]
複雑なシステムの信頼性と効率的な運用にはリアルタイム状態監視が不可欠である。本稿では,HTGNN(Heterogeneous Temporal Graph Neural Network)フレームワークを提案する。 HTGNNは多様なセンサーからの信号を明示的にモデル化し、動作条件をモデルアーキテクチャに統合する。
論文参考訳（メタデータ） (2024-07-26T12:16:53Z)
Reinforcement Learning Meets Visual Odometry [22.34784125002176]
我々は、ビジュアルオドメトリ(VO)を意思決定タスクとみなし、強化学習(RL)をVOプロセスの動的適応に適用する。このアプローチでは,VOパイプライン内のエージェントとして動作するニューラルネットワークを導入して,シーケンシャルおよびグリッドサイズ選択などの決定を行う。提案手法は,ポーズエラーや実行時,その他のメトリクスに基づいた報酬関数を用いて,選択への依存を最小限に抑える。
論文参考訳（メタデータ） (2024-07-22T13:37:55Z)
RefreshNet: Learning Multiscale Dynamics through Hierarchical Refreshing [0.0]
RefreshNetの"リフレッシュ"メカニズムは、粗いブロックがより細かいブロックの入力をリセットし、エラーの蓄積を効果的に制御し緩和することを可能にする。 RefreshNetの"リフレッシュ"メカニズムは、粗いブロックがより細かいブロックの入力をリセットし、エラーの蓄積を効果的に制御し緩和することを可能にする。
論文参考訳（メタデータ） (2024-01-24T07:47:01Z)
On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
論文参考訳（メタデータ） (2023-02-05T01:39:21Z)
On Fast Simulation of Dynamical System with Neural Vector Enhanced Numerical Solver [59.13397937903832]
ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。 NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
論文参考訳（メタデータ） (2022-08-07T09:02:18Z)
Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
論文参考訳（メタデータ） (2022-05-16T12:14:42Z)
Differentially Private Federated Learning via Reconfigurable Intelligent Surface [27.004823731436765]
フェデレートラーニング(FL)は、分散化されたローカルデータセットを共有せずに、グローバルモデルの協調トレーニングを可能にする。本稿では,学習精度とプライバシのジレンマを軽減するために,再構成可能インテリジェントサーフェス (RIS) を用いたオーバー・ザ・エア FLシステムを提案する。
論文参考訳（メタデータ） (2022-03-31T13:45:02Z)
Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文参考訳（メタデータ） (2021-05-20T17:52:37Z)

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。