論文の概要: A-KIT: Adaptive Kalman-Informed Transformer

• arxiv url: http://arxiv.org/abs/2401.09987v1
• Date: Thu, 18 Jan 2024 14:04:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-19 16:21:17.893770
• Title: A-KIT: Adaptive Kalman-Informed Transformer
• Title（参考訳）: A-KIT:適応カルマンインフォームドトランス
• Authors: Nadav Cohen and Itzik Klein
• Abstract要約: A-KITは、様々なプロセスノイズ共分散をオンラインで学習する適応カルマンインフォームドトランスである。 本稿では慣性ナビゲーションシステムとドップラー速度ログに基づく非線形センサフュージョンについて述べる。
• 参考スコア（独自算出の注目度）: 15.619053656143564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The extended Kalman filter (EKF) is a widely adopted method for sensor fusion in navigation applications. A crucial aspect of the EKF is the online determination of the process noise covariance matrix reflecting the model uncertainty. While common EKF implementation assumes a constant process noise, in real-world scenarios, the process noise varies, leading to inaccuracies in the estimated state and potentially causing the filter to diverge. To cope with such situations, model-based adaptive EKF methods were proposed and demonstrated performance improvements, highlighting the need for a robust adaptive approach. In this paper, we derive and introduce A-KIT, an adaptive Kalman-informed transformer to learn the varying process noise covariance online. The A-KIT framework is applicable to any type of sensor fusion. Here, we present our approach to nonlinear sensor fusion based on an inertial navigation system and Doppler velocity log. By employing real recorded data from an autonomous underwater vehicle, we show that A-KIT outperforms the conventional EKF by more than 49.5% and model-based adaptive EKF by an average of 35.4% in terms of position accuracy.
• Abstract（参考訳）: 拡張カルマンフィルタ(ekf)は、ナビゲーションアプリケーションにおけるセンサー融合に広く採用されている方法である。 EKFの重要な側面は、モデルの不確実性を反映したプロセスノイズ共分散行列のオンライン決定である。 一般的なekf実装は一定のプロセスノイズを想定しているが、現実のシナリオではプロセスノイズは変化し、推定状態の精度が低下し、フィルタが分岐する可能性がある。 このような状況に対処するため、モデルベース適応型EKF法を提案し、性能改善を示し、ロバスト適応アプローチの必要性を強調した。 本稿では,適応カルマンインフォームドトランスであるA-KITを導入し,様々なプロセスノイズの共分散をオンラインで学習する。 A-KITフレームワークはあらゆる種類のセンサー融合に適用できる。 本稿では,慣性ナビゲーションシステムとドップラー速度ログを用いた非線形センサ融合について述べる。 自律型水中車両の実際の記録データを用いて、A-KITが従来のEKFを49.5%以上上回り、モデルベース適応型EKFを35.4%以上上回っていることを示す。

関連論文リスト

• Test-Time Model Adaptation with Only Forward Passes [68.11784295706995]
  テストタイム適応は、トレーニング済みのモデルを、潜在的に分布シフトのある未確認テストサンプルに適応させるのに有効であることが証明されている。 テスト時間フォワード最適化適応法(FOA)を提案する。 FOAは量子化された8ビットのViTで動作し、32ビットのViTで勾配ベースのTENTより優れ、ImageNet-Cで最大24倍のメモリ削減を実現する。
  論文  参考訳（メタデータ） (2024-04-02T05:34:33Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching [77.133400999703]
  相関に基づくステレオマッチングは優れた性能を達成した。 固定モデルによる現在のメソッドは、さまざまなデータセットで均一に動作しない。 本稿では,ロバストなステレオマッチングのための相関を動的に計算する新しい視点を提案する。
  論文  参考訳（メタデータ） (2023-07-26T09:47:37Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)
• Outlier-Insensitive Kalman Filtering Using NUV Priors [24.413595920205907]
  実際には、観測は外れ値によって破損し、カルマンフィルタ(KF)の性能を著しく損なう。 本研究では、各電位外乱を未知の分散確率変数(NUV)としてモデル化し、外乱に敏感なKFを提案する。 予測最大化(EM)と変動ロバスト性(AM)の両方を用いて、NUVs分散をオンラインで推定する。
  論文  参考訳（メタデータ） (2022-10-12T11:00:13Z)
• Data-Driven Chance Constrained AC-OPF using Hybrid Sparse Gaussian Processes [57.70237375696411]
  入力不確実性を伴う潮流方程式をモデル化するために,スパースプロセスとハイブリッドガウスプロセス(GP)フレームワークを用いた高速データ駆動構成を提案する。 提案手法の有効性は,複数のIEEEテストケースに対して,最大2倍の高速かつ高精度な解を示す数値的な研究によって主張する。
  論文  参考訳（メタデータ） (2022-08-30T09:27:59Z)
• A Hybrid Model and Learning-Based Adaptive Navigation Filter [0.0]
  本稿では,ハイブリッドモデルと学習に基づく適応ナビゲーションフィルタを提案する。 提案手法は位置誤差が25%向上したことを示す。
  論文  参考訳（メタデータ） (2022-06-14T17:10:47Z)
• Variational Kalman Filtering with Hinf-Based Correction for Robust Bayesian Learning in High Dimensions [2.294014185517203]
  本稿では,頑健な変動目標とHinf-normに基づく補正を適用し,逐次変動推定フィルタ(VIF)の収束問題に対処する。 連続的な変分推論とHinfに基づく最適化ステップを利用する新しいVIF-Hinf再帰法を提案する。
  論文  参考訳（メタデータ） (2022-04-27T17:38:13Z)
• Adaptive variational preparation of the Fermi-Hubbard eigenstates [0.0]
  我々は、Fermi-Hubbardモデルの6つのサイト(12ビット)までの小さなグリッドに対して、高精度な基底状態を作成する。 この適応法は, 変動パラメータの少ない, ゲート深さの短い, システムサイズによるスケーリングにおいて, 非適応手法よりも優れた性能を示す。 また, ADAPT-SSVQEアルゴリズムを用いて, 励起状態とグリーン関数を作成し, 適応変分法の適用例を示す。
  論文  参考訳（メタデータ） (2021-09-24T18:00:05Z)
• Layer Pruning on Demand with Intermediate CTC [50.509073206630994]
  我々はコネクショニスト時間分類(CTC)に基づくASRの訓練と刈り取り方法を提案する。 本稿では,Transformer-CTCモデルをオンデマンドで様々な深さでプルーニングできることを示し,GPU上でのリアルタイム係数を0.005から0.002に改善した。
  論文  参考訳（メタデータ） (2021-06-17T02:40:18Z)

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。