論文の概要: AirIO: Learning Inertial Odometry with Enhanced IMU Feature Observability
- arxiv url: http://arxiv.org/abs/2501.15659v1
- Date: Sun, 26 Jan 2025 19:43:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-28 13:57:46.828521
- Title: AirIO: Learning Inertial Odometry with Enhanced IMU Feature Observability
- Title(参考訳): AirIO: IMU特徴オブザーバビリティを向上した慣性オドメトリーの学習
- Authors: Yuheng Qiu, Can Xu, Yutian Chen, Shibo Zhao, Junyi Geng, Sebastian Scherer,
- Abstract要約: 慣性計測ユニット(IMU)のみを用いた慣性計測(IO)は、無人航空機(UAV)用途に軽量で費用対効果の高いソリューションを提供する。
既存の学習ベースのIOモデルは、歩行者の動きとは異なる非常にダイナミックで非線形なパターンのため、UAVへの一般化に失敗することが多い。
本研究では,従来のIMUデータからグローバル座標への変換は,UAVにおける重要なキネマティック情報の可観測性を損なうものであることを確認した。
- 参考スコア(独自算出の注目度): 29.048995291376038
- License:
- Abstract: Inertial odometry (IO) using only Inertial Measurement Units (IMUs) offers a lightweight and cost-effective solution for Unmanned Aerial Vehicle (UAV) applications, yet existing learning-based IO models often fail to generalize to UAVs due to the highly dynamic and non-linear-flight patterns that differ from pedestrian motion. In this work, we identify that the conventional practice of transforming raw IMU data to global coordinates undermines the observability of critical kinematic information in UAVs. By preserving the body-frame representation, our method achieves substantial performance improvements, with a 66.7% average increase in accuracy across three datasets. Furthermore, explicitly encoding attitude information into the motion network results in an additional 23.8% improvement over prior results. Combined with a data-driven IMU correction model (AirIMU) and an uncertainty-aware Extended Kalman Filter (EKF), our approach ensures robust state estimation under aggressive UAV maneuvers without relying on external sensors or control inputs. Notably, our method also demonstrates strong generalizability to unseen data not included in the training set, underscoring its potential for real-world UAV applications.
- Abstract(参考訳): 慣性計測ユニット(IMU)のみを用いた慣性計測(IO)は、無人航空機(UAV)アプリケーションに対して軽量で費用対効果の高いソリューションを提供するが、既存の学習ベースのIOモデルは、歩行者の動きとは異なる非常にダイナミックで非線形なパターンのために、UAVに一般化できないことが多い。
本研究では,従来のIMUデータからグローバル座標への変換は,UAVにおける重要なキネマティック情報の可観測性を損なうものであることを確認した。
ボディーフレーム表現を保存することにより,3つのデータセットの平均精度が66.7%向上し,大幅な性能向上を実現している。
さらに、姿勢情報を運動ネットワークに明示的に符号化すると、事前の結果よりも23.8%向上する。
データ駆動型IMU補正モデル (AirIMU) と不確実性を考慮した拡張カルマンフィルタ (EKF) を組み合わせることで, 外部センサや制御入力に頼ることなく, 攻撃的UAV操作下での堅牢な状態推定を実現する。
また,本手法は,トレーニングセットに含まれていないデータに対して高い一般化性を示し,実際のUAV応用の可能性を示している。
関連論文リスト
- Movable Antenna-Equipped UAV for Data Collection in Backscatter Sensor Networks: A Deep Reinforcement Learning-based Approach [10.115361454176773]
無人航空機(UAV)は遠隔後方散乱装置(BD)からの柔軟なデータ収集を可能にする
指向性と柔軟性の高い指向性移動アンテナ(MA)をUAVに搭載することを検討する。
我々は,UAVと各BD間の方位角と距離を用いた深部強化学習(DRL)に基づく戦略を開発し,エージェントの観測空間を簡素化する。
論文 参考訳(メタデータ) (2024-11-21T09:34:48Z) - AirIMU: Learning Uncertainty Propagation for Inertial Odometry [29.093168179953185]
ストラップダウン慣性測定装置(IMU)を用いた慣性計測(IO)は多くのロボット応用において重要である。
データ駆動手法により不確実性、特に非決定論的誤差を推定するハイブリッド手法であるAirIMUを提案する。
ハンドヘルドデバイス,車両,および262kmの軌道をカバーするヘリコプターなど,さまざまなプラットフォーム上での有効性を実証する。
論文 参考訳(メタデータ) (2023-10-07T17:08:22Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - Integrated Sensing, Computation, and Communication for UAV-assisted
Federated Edge Learning [52.7230652428711]
フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。
無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
論文 参考訳(メタデータ) (2023-06-05T16:01:33Z) - 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) - Anomaly Detection for Unmanned Aerial Vehicle Sensor Data Using a
Stacked Recurrent Autoencoder Method with Dynamic Thresholding [0.3441021278275805]
本稿では,Long Short-Term Memory (LSTM) Deep Learning Autoencoderをベースとした,新しい動的しきい値決定アルゴリズムとUAVデータセットの異常検出のための重み付き損失関数を組み込んだシステムを提案する。
動的しきい値と重み付き損失関数は、精度関連性能指標と真の故障検出速度の両方において、標準静的しきい値法に有望な改善を示した。
論文 参考訳(メタデータ) (2022-03-09T14:16:14Z) - A Comprehensive Approach for UAV Small Object Detection with
Simulation-based Transfer Learning and Adaptive Fusion [0.0]
深層学習は、UAVオブジェクト検出に広く採用されているが、このトピックに関する研究は、データセットの量とUAVの小さなスケールによって制限されている。
これらの課題に対処するために,シミュレーションデータに基づく伝達学習と適応融合を組み合わせた新しい総合的なアプローチを提案する。
実験結果から,UAV物体検出における2.7%の性能向上につながるシミュレーションに基づく伝達学習の有効性が示された。
論文 参考訳(メタデータ) (2021-09-04T06:27:13Z) - 3D UAV Trajectory and Data Collection Optimisation via Deep
Reinforcement Learning [75.78929539923749]
無人航空機(UAV)は現在、無線通信におけるネットワーク性能とカバレッジを高めるために配備され始めている。
UAV支援モノのインターネット(IoT)のための最適な資源配分方式を得ることは困難である
本稿では,UAVの最も短い飛行経路に依存しつつ,IoTデバイスから収集したデータ量を最大化しながら,新しいUAV支援IoTシステムを設計する。
論文 参考訳(メタデータ) (2021-06-06T14:08:41Z) - SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural
Networks [81.64530401885476]
本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。
具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。
我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
論文 参考訳(メタデータ) (2020-10-19T09:23:39Z) - Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep
Reinforcement Learning Approach [88.45509934702913]
我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。
我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。
提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
論文 参考訳(メタデータ) (2020-02-21T07:29:15Z)
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。