論文の概要: Diffusion Denoiser-Aided Gyrocompassing

• arxiv url: http://arxiv.org/abs/2507.21245v1
• Date: Mon, 28 Jul 2025 18:06:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 17:08:55.166291
• Title: Diffusion Denoiser-Aided Gyrocompassing
• Title（参考訳）: 拡散デノイザ支援イロコンパス
• Authors: Gershy Ben-Arie, Daniel Engelsman, Rotem Dror, Itzik Klein,
• Abstract要約: 本稿では,新しい拡散デノイザ支援ジャイロコンパス手法を提案する。 拡散に基づくdenoisingフレームワークと、強化された学習ベースの方向推定モデルを統合する。 ジャイロコンパスの精度はモデルベースのジャイロコンパスに比べて26%向上し、他の学習駆動アプローチに比べて15%向上する。
• 参考スコア（独自算出の注目度）: 5.718538232143911
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An accurate initial heading angle is essential for efficient and safe navigation across diverse domains. Unlike magnetometers, gyroscopes can provide accurate heading reference independent of the magnetic disturbances in a process known as gyrocompassing. Yet, accurate and timely gyrocompassing, using low-cost gyroscopes, remains a significant challenge in scenarios where external navigation aids are unavailable. Such challenges are commonly addressed in real-world applications such as autonomous vehicles, where size, weight, and power limitations restrict sensor quality, and noisy measurements severely degrade gyrocompassing performance. To cope with this challenge, we propose a novel diffusion denoiser-aided gyrocompass approach. It integrates a diffusion-based denoising framework with an enhanced learning-based heading estimation model. The diffusion denoiser processes raw inertial sensor signals before input to the deep learning model, resulting in accurate gyrocompassing. Experiments using both simulated and real sensor data demonstrate that our proposed approach improves gyrocompassing accuracy by 26% compared to model-based gyrocompassing and by 15% compared to other learning-driven approaches. This advancement holds particular significance for ensuring accurate and robust navigation in autonomous platforms that incorporate low-cost gyroscopes within their navigation systems.
• Abstract（参考訳）: 様々な領域を横断する効率的かつ安全なナビゲーションには、正確な初期方向角が不可欠である。 磁気センサとは異なり、ジャイロスコープはジャイロコンパスと呼ばれるプロセスにおいて、磁気障害とは無関係に正確な方向参照を提供することができる。 しかし、低コストのジャイロスコープを用いた高精度でタイムリーなジャイロコンパスは、外部ナビゲーション補助が利用できないシナリオでは大きな課題である。 このような課題は、サイズ、重量、電力制限がセンサーの品質を制限し、ノイズ測定がジャイロコンパス性能を著しく低下させる自動運転車のような現実世界の応用において、一般的に対処されている。 この課題に対処するために,新しい拡散デノイザー支援ジャイロコンパス手法を提案する。 拡散に基づくdenoisingフレームワークと、強化された学習ベースの方向推定モデルを統合する。 拡散デノイザは、深層学習モデルに入力する前に生慣性センサ信号を処理し、正確なジャイロコンパスを行う。 シミュレーションと実センサデータの両方を用いた実験により,提案手法は,モデルベースのジャイロコンパスに比べて26%,学習によるアプローチに比べて15%のジャイロコンパス精度が向上することが示された。 この進歩は、低コストのジャイロスコープをナビゲーションシステムに組み込んだ自律プラットフォームにおいて、正確で堅牢なナビゲーションを確保する上で特に重要である。

関連論文リスト

• Angle Robustness Unmanned Aerial Vehicle Navigation in GNSS-Denied Scenarios [66.05091704671503]
  本稿では、ポイントツーポイントナビゲーションタスクにおける飛行偏差に対処する新しい角度ナビゲーションパラダイムを提案する。 また、Adaptive Feature Enhance Module、Cross-knowledge Attention-guided Module、Robust Task-oriented Head Moduleを含むモデルを提案する。
  論文  参考訳（メタデータ） (2024-02-04T08:41:20Z)
• DoorINet: Door Heading Prediction through Inertial Deep Learning [2.594420805049218]
  慣性センサーは様々な用途で広く使われている。 このような課題に対処するため、姿勢基準系アルゴリズムを適用する。 室内環境では、磁力計は性能を低下させる干渉に悩まされる。 ドアマウント型,低コストな慣性センサから方向角を計算するための,エンドツーエンドのディープラーニングフレームワークであるDoorINetを提案する。
  論文  参考訳（メタデータ） (2024-01-24T05:28:29Z)
• 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)
• Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
  スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。 本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
  論文  参考訳（メタデータ） (2023-08-14T16:48:57Z)
• Deep Learning for Inertial Sensor Alignment [1.9773109138840514]
  慣性測定ユニット(IMU)を装備したスマートフォンのヨー装着角度を学習し,車に装着するデータ駆動型アプローチを提案する。 提案モデルは、IMUからの加速度計とジャイロスコープのみを入力として使用する。 トレーニングされたモデルはAndroidデバイスにデプロイされ、推定されたヨー装着角度の精度をテストするためにリアルタイムで評価される。
  論文  参考訳（メタデータ） (2022-12-10T07:50:29Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Utilizing Synthetic Data in Supervised Learning for Robust 5-DoF Magnetic Marker Localization [24.478974451501113]
  受動的磁気マーカーの追跡は、医療やロボット工学の進歩において重要な役割を担い、システムの精度と効率を大幅に向上させる可能性がある。 伝統的に、繰り返し最適化手順を必要とするため、磁気マーカーの追跡は計算コストがかかる。 本稿では,これらの制限を回避し,マーカーの位置と向きを直接推定し,磁石の5DoFを正確に決定する,新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-14T17:22:50Z)
• 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)
• IDOL: Inertial Deep Orientation-Estimation and Localization [18.118289074111946]
  多くのスマートフォンアプリケーションは、運動を感知するために慣性測定装置(IMU)を使用しているが、歩行者の局所化にこれらのセンサーを使用することは困難である。 近年,慣性航法の可能性が高まっている。 本稿では,まず端末の向きを推定し,次にデバイスの位置を推定するコモディティスマートフォンを用いた2段階のデータ駆動パイプラインを提案する。
  論文  参考訳（メタデータ） (2021-02-08T06:41:47Z)
• Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor Setups [68.8204255655161]
  本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。 提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
  論文  参考訳（メタデータ） (2021-01-12T12:02:26Z)
• Reinforcement Meta-Learning for Interception of Maneuvering Exoatmospheric Targets with Parasitic Attitude Loop [1.7663909228482466]
  我々は強化メタラーニング(Reinforcement Meta-Learning)を用いて、運動目標の対空干渉に適した適応型統合誘導、ナビゲーション、制御システムを最適化する。 このシステムは、ストラップダウン・シーカー角と速度ジャイロによる観測を、スラスタのオンオフコマンドに直接マッピングする。 最適化されたポリシーは、探索角度測定ラグ、スラスタ制御ラグ、スケールファクタエラーによる寄生姿勢ループ、角度および回転速度測定におけるガウスノイズなどの寄生効果に適応できることを実証した。
  論文  参考訳（メタデータ） (2020-04-18T21:20:59Z)

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。