論文の概要: Learning-based GNSS Uncertainty Quantification using Continuous-Time Factor Graph Optimization

• arxiv url: http://arxiv.org/abs/2503.04933v1
• Date: Thu, 06 Mar 2025 20:04:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:21:23.182695
• Title: Learning-based GNSS Uncertainty Quantification using Continuous-Time Factor Graph Optimization
• Title（参考訳）: 連続時間係数グラフ最適化を用いた学習型GNSS不確かさの定量化
• Authors: Haoming Zhang,
• Abstract要約: 本稿では,グローバルナビゲーション衛星システム(GNSS)における測定の不確かさを定量化する2つの学習に基づく手法に関する研究成果について述べる。 我々は,複数のセンサ入力から軌跡を正確に,頑健に推定する新しいマルチセンサ状態推定器を提案する。 本研究では,多様な都市環境下で収集された実世界のセンサデータを用いて,学習モデルの有効性を検証する。
• 参考スコア（独自算出の注目度）: 2.0818498182253875
• License:
• Abstract: This short paper presents research findings on two learning-based methods for quantifying measurement uncertainties in global navigation satellite systems (GNSS). We investigate two learning strategies: offline learning for outlier prediction and online learning for noise distribution approximation, specifically applied to GNSS pseudorange observations. To develop and evaluate these learning methods, we introduce a novel multisensor state estimator that accurately and robustly estimates trajectory from multiple sensor inputs, critical for deriving GNSS measurement residuals used to train the uncertainty models. We validate the proposed learning-based models using real-world sensor data collected in diverse urban environments. Experimental results demonstrate that both models effectively handle GNSS outliers and improve state estimation performance. Furthermore, we provide insightful discussions to motivate future research toward developing a federated framework for robust vehicle localization in challenging environments.
• Abstract（参考訳）: 本稿では,グローバルナビゲーション衛星システム(GNSS)における測定の不確かさを定量化するための2つの学習手法に関する研究成果について述べる。 ノイズ分布近似のオフライン学習とオンライン学習の2つの学習戦略について検討する。 これらの学習手法を開発し,評価するために,複数のセンサ入力から軌跡を正確にかつ頑健に推定し,不確実性モデルの学習に使用するGNSS測定残差を導出する新しいマルチセンサ状態推定器を提案する。 本研究では,多様な都市環境下で収集された実世界のセンサデータを用いて,学習モデルの有効性を検証する。 実験結果から,両モデルとも GNSS のアウトレイラを効果的に処理し,状態推定性能を向上させることが示された。 さらに,挑戦環境におけるロバストな車両ローカライゼーションのための統合フレームワーク開発に向けた今後の研究を動機付けるための洞察に富んだ議論を行った。

関連論文リスト

• Remaining Useful Life Prediction: A Study on Multidimensional Industrial Signal Processing and Efficient Transfer Learning Based on Large Language Models [6.118896920507198]
  本稿では,大言語モデル(LLM)をRUL予測に用いる革新的な回帰フレームワークを提案する。 ターボファンエンジンのRUL予測タスクの実験では、提案モデルが最先端(SOTA)法を超越していることが示されている。 微調整のための最小限のターゲットドメインデータでは、モデルは完全なターゲットドメインデータに基づいて訓練されたSOTAメソッドよりも優れている。
  論文  参考訳（メタデータ） (2024-10-04T04:21:53Z)
• A Survey on Graph Neural Networks for Remaining Useful Life Prediction: Methodologies, Evaluation and Future Trends [39.22261518678265]
  Remaining Useful Life (RUL) prediction is a critical aspects of Prognostics and Health Management (PHM) 近年の研究では、より正確なRUL予測のために空間情報をモデル化するためのグラフニューラルネットワーク(GNN)の利用について検討されている。 本稿では、RUL予測に適用されたGNN手法の総合的なレビューを行い、既存の手法を要約し、今後の研究のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2024-09-29T09:38:07Z)
• Towards Robust and Interpretable EMG-based Hand Gesture Recognition using Deep Metric Meta Learning [37.21211404608413]
  本稿では,意味的かつ解釈可能な表現の作成を監督するために,EMG PRにおける深層メートル法メタラーニングへのシフトを提案する。 我々は、不正確な決定をよりよく拒否する頑健なクラス近接性に基づく信頼度推定器を導出する。
  論文  参考訳（メタデータ） (2024-04-17T23:37:50Z)
• GRANP: A Graph Recurrent Attentive Neural Process Model for Vehicle Trajectory Prediction [3.031375888004876]
  車両軌道予測のためのGRANP(Graph Recurrent Attentive Neural Process)という新しいモデルを提案する。 GRANPには、決定論的パスと遅延パスを持つエンコーダと、予測のためのデコーダが含まれている。 我々は,GRANPが最先端の結果を達成し,不確実性を効率的に定量化できることを示す。
  論文  参考訳（メタデータ） (2024-04-09T05:51:40Z)
• Online GNN Evaluation Under Test-time Graph Distribution Shifts [92.4376834462224]
  オンラインGNN評価という新たな研究課題は、よく訓練されたGNNが現実世界の未ラベルグラフに一般化する能力について、貴重な洞察を提供することを目的としている。 我々は、よく訓練されたGNNモデルのテスト時間一般化誤差を推定するために、LeBeDと呼ばれる効果的な学習行動不一致スコアを開発する。
  論文  参考訳（メタデータ） (2024-03-15T01:28:08Z)
• Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
  グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。 しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。 本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
  論文  参考訳（メタデータ） (2024-03-11T21:54:52Z)
• Learning-based NLOS Detection and Uncertainty Prediction of GNSS Observations with Transformer-Enhanced LSTM Network [2.798138034569478]
  本研究では,NLOSの検出と誤りの予測を擬似時間的モデリング問題を用いて行う深層学習に基づく手法を提案する。 香港とAachenのデータセットを使って、提案したネットワークをトレーニングし、評価する。 提案手法は,NLOS観測の分類・排除により,実世界の車両位置の軌跡のばらつきを回避できることを示す。
  論文  参考訳（メタデータ） (2023-09-01T14:17:02Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• Unsupervised Scale-consistent Depth Learning from Video [131.3074342883371]
  本研究では,単眼深度推定器SC-Depthを提案する。 スケール一貫性予測の能力により,我々の単分子学習深層ネットワークは簡単にORB-SLAM2システムに統合可能であることを示す。 提案したハイブリッドPseudo-RGBD SLAMは、KITTIにおいて魅力的な結果を示し、追加のトレーニングなしでKAISTデータセットにうまく一般化する。
  論文  参考訳（メタデータ） (2021-05-25T02:17:56Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• Stochastic-Sign SGD for Federated Learning with Theoretical Guarantees [49.91477656517431]
  量子化に基づく解法は、フェデレートラーニング(FL)において広く採用されている。 上記のプロパティをすべて享受する既存のメソッドはありません。 本稿では,SIGNSGDに基づく直感的かつ理論的に簡易な手法を提案し,そのギャップを埋める。
  論文  参考訳（メタデータ） (2020-02-25T15:12:15Z)

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。