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
- 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) - Learning for Semantic Knowledge Base-Guided Online Feature Transmission
in Dynamic Channels [41.59960455142914]
本稿では,エンドツーエンド通信システムにおける動的チャネル条件とデバイスモビリティの課題に対処する,オンライン最適化フレームワークを提案する。
提案手法は,多レベル特徴伝達を駆動するための意味的知識ベースを活用することによって,既存の手法に基づいている。
オンライン最適化の課題を解決するために,リアルタイム意思決定のための報酬関数を慎重に設計した,ソフトアクターに基づく深層強化学習システムの設計を行った。
論文 参考訳(メタデータ) (2023-11-30T07:35:56Z) - 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) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - 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) - Rethinking the Tradeoff in Integrated Sensing and Communication:
Recognition Accuracy versus Communication Rate [21.149708253108788]
ISAC(Integrated Sensistance and Communication)は、バンド利用効率を向上させるための有望な技術である。
センシング性能と通信性能の間にはトレードオフがある。
本稿では、認識精度と通信データレートを同時に最大化する多目的最適化問題を定式化し、解決する。
論文 参考訳(メタデータ) (2021-07-20T17:00:35Z) - 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) - Toward fast and accurate human pose estimation via soft-gated skip
connections [97.06882200076096]
本稿では,高精度かつ高効率な人間のポーズ推定について述べる。
我々は、最先端技術よりも精度と効率を両立させる文脈において、この設計選択を再分析する。
本モデルでは,MPII と LSP のデータセットから最先端の結果が得られる。
論文 参考訳(メタデータ) (2020-02-25T18:51:51Z)
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。