論文の概要: Perpetua: Multi-Hypothesis Persistence Modeling for Semi-Static Environments

• arxiv url: http://arxiv.org/abs/2507.18808v2
• Date: Mon, 28 Jul 2025 15:12:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 14:15:47.132212
• Title: Perpetua: Multi-Hypothesis Persistence Modeling for Semi-Static Environments
• Title（参考訳）: Perpetua: 半静的環境のための多相永続化モデリング
• Authors: Miguel Saavedra-Ruiz, Samer B. Nashed, Charlie Gauthier, Liam Paull,
• Abstract要約: 本稿では,半静的特徴の力学をモデル化するPerpetuaを紹介する。 我々は「パーシステンス」と「エマージェンス」のフィルターの混合物をチェーンし、特徴が消失または再出現する確率をモデル化する。 Perpetuaは、類似のアプローチよりも正確でありながら、オンライン適応性があり、観察の欠如に対して堅牢であることに気付きました。
• 参考スコア（独自算出の注目度）: 14.727014155729826
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many robotic systems require extended deployments in complex, dynamic environments. In such deployments, parts of the environment may change between subsequent robot observations. Most robotic mapping or environment modeling algorithms are incapable of representing dynamic features in a way that enables predicting their future state. Instead, they opt to filter certain state observations, either by removing them or some form of weighted averaging. This paper introduces Perpetua, a method for modeling the dynamics of semi-static features. Perpetua is able to: incorporate prior knowledge about the dynamics of the feature if it exists, track multiple hypotheses, and adapt over time to enable predicting of future feature states. Specifically, we chain together mixtures of "persistence" and "emergence" filters to model the probability that features will disappear or reappear in a formal Bayesian framework. The approach is an efficient, scalable, general, and robust method for estimating the states of features in an environment, both in the present as well as at arbitrary future times. Through experiments on simulated and real-world data, we find that Perpetua yields better accuracy than similar approaches while also being online adaptable and robust to missing observations.
• Abstract（参考訳）: 多くのロボットシステムは複雑な動的環境に展開する必要がある。 このような展開では、環境の一部がその後のロボット観察の間で変化する可能性がある。 ほとんどのロボットマッピングや環境モデリングアルゴリズムは、将来の状態を予測できるように、動的な特徴を表現できない。 代わりに、ある状態の観測を除去するか、ある形態の重み付けをすることでフィルターする。 本稿では,半静的特徴の力学をモデル化するPerpetuaを紹介する。 Perpetuaは、もし存在するなら、機能のダイナミクスに関する事前の知識を取り入れ、複数の仮説を追跡し、将来的な特徴状態の予測を可能にするために時間とともに適応することができる。 具体的には、「パーシステンス」フィルタと「エマージェンス」フィルタの混合物を連結し、形式的なベイズ的枠組みで特徴が消失または再び現れる確率をモデル化する。 このアプローチは、効率的でスケーラブルで、汎用的で堅牢な手法であり、現在の状況と任意の将来の状況の両方において、ある環境における特徴の状態を推定する。 シミュレーションと実世界のデータの実験により、Perpetuaは類似のアプローチよりも精度が高く、オンライン適応性も高く、観察に欠かせない。

関連論文リスト

• GaussianPrediction: Dynamic 3D Gaussian Prediction for Motion Extrapolation and Free View Synthesis [71.24791230358065]
  動的シーンモデリングと将来のシナリオ合成により,3次元ガウス表現を実現する新しいフレームワークを提案する。 GaussianPredictionは、ダイナミックなシーンのビデオ観察を使用して、あらゆる視点から将来の状態を予測できる。 本フレームワークは,合成データセットと実世界のデータセットの両方で優れた性能を示し,将来の環境の予測とレンダリングの有効性を示す。
  論文  参考訳（メタデータ） (2024-05-30T06:47:55Z)
• FREE: The Foundational Semantic Recognition for Modeling Environmental Ecosystems [28.166089112650926]
  FREEは利用可能な環境データをテキスト空間にマッピングし、環境科学における従来の予測モデリングタスクを意味認識問題に変換する。 長期予測に使用する場合、FREEは将来予測を強化するために新たに収集した観測を組み込む柔軟性を持つ。 自由は2つの社会的に重要な現実世界の応用の文脈で評価され、デラウェア川流域の河川水温を予測し、イリノイ州とアイオワ州で毎年トウモロコシの収量を予測する。
  論文  参考訳（メタデータ） (2023-11-17T00:53:09Z)
• PRISM: Probabilistic Real-Time Inference in Spatial World Models [52.878769723544615]
  PRISMはエージェントの動きと視覚知覚の確率的生成モデルにおけるリアルタイムフィルタリングの手法である。 提案手法は10Hzでリアルタイムに動作し,小型・中型屋内環境における最先端SLAMと同等に精度が高い。
  論文  参考訳（メタデータ） (2022-12-06T13:59:06Z)
• Bayesian Learning of Coupled Biogeochemical-Physical Models [28.269731698116257]
  海洋生態系の予測モデルは、様々なニーズに使われている。 希少な測定と海洋プロセスの理解が限られているため、かなりの不確実性がある。 候補モデルの空間での処理と新しいモデルの発見を可能にするベイズモデル学習手法を開発した。
  論文  参考訳（メタデータ） (2022-11-12T17:49:18Z)
• Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
  本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。 我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。 ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T07:49:48Z)
• Learning to track environment state via predictive autoencoding [0.0]
  この研究は、環境の前方モデルを学ぶためのニューラルネットワークを導入している。 この課題は、画像の形で時間的非構造的な観察から学ぶことによってのみ達成される。 ネットワークは、将来の観測と、信念分布からのサンプルの両方を出力することができる。
  論文  参考訳（メタデータ） (2021-12-14T21:07:21Z)
• Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
  本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。 本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
  論文  参考訳（メタデータ） (2021-11-02T12:33:42Z)
• Robust Value Iteration for Continuous Control Tasks [99.00362538261972]
  シミュレーションから物理システムへ制御ポリシを転送する場合、そのポリシは、動作の変動に対して堅牢でなければならない。 本稿では、動的プログラミングを用いて、コンパクトな状態領域上での最適値関数を計算するRobust Fitted Value Iterationを提案する。 より深い強化学習アルゴリズムや非ロバストなアルゴリズムと比較して、ロバストな値の方が頑健であることを示す。
  論文  参考訳（メタデータ） (2021-05-25T19:48:35Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)

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。