Fugu-MT 論文翻訳(概要): Sailing Towards Zero-Shot State Estimation using Foundation Models Combined with a UKF

論文の概要: Sailing Towards Zero-Shot State Estimation using Foundation Models Combined with a UKF

arxiv url: http://arxiv.org/abs/2509.04213v1
Date: Thu, 04 Sep 2025 13:38:54 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-05 20:21:10.174952
Title: Sailing Towards Zero-Shot State Estimation using Foundation Models Combined with a UKF
Title（参考訳）: ファウンデーションモデルとUKFを組み合わせたゼロショット状態推定に向けて
Authors: Tobin Holtmann, David Stenger, Andres Posada-Moreno, Friedrich Solowjow, Sebastian Trimpe,
Abstract要約: 本稿では,システムダイナミクスのトランスフォーマーモデルと,UKFを用いたセンサモデルを組み合わせた基礎モデルKalman filter(FM-UKF)を提案する。我々は、FM-UKFを複雑な力学を持つコンテナ船モデルの新しいベンチマークで評価し、古典的な手法と比較して、競争の正確さ、努力、トレードオフを実証した。
参考スコア（独自算出の注目度）: 12.83335441358014
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: State estimation in control and systems engineering traditionally requires extensive manual system identification or data-collection effort. However, transformer-based foundation models in other domains have reduced data requirements by leveraging pre-trained generalist models. Ultimately, developing zero-shot foundation models of system dynamics could drastically reduce manual deployment effort. While recent work shows that transformer-based end-to-end approaches can achieve zero-shot performance on unseen systems, they are limited to sensor models seen during training. We introduce the foundation model unscented Kalman filter (FM-UKF), which combines a transformer-based model of system dynamics with analytically known sensor models via an UKF, enabling generalization across varying dynamics without retraining for new sensor configurations. We evaluate FM-UKF on a new benchmark of container ship models with complex dynamics, demonstrating a competitive accuracy, effort, and robustness trade-off compared to classical methods with approximate system knowledge and to an end-to-end approach. The benchmark and dataset are open sourced to further support future research in zero-shot state estimation via foundation models.
Abstract（参考訳）: 制御とシステム工学における状態推定は、伝統的に広範囲な手動のシステム識別やデータ収集の努力を必要とする。しかし、他の領域におけるトランスフォーマーベースの基礎モデルは、事前訓練されたジェネラリストモデルを活用することで、データ要求を減らした。結局のところ、システムダイナミクスのゼロショット基礎モデルの開発は、手動によるデプロイメントの労力を大幅に削減する可能性がある。最近の研究によると、トランスフォーマーベースのエンドツーエンドアプローチは、見えないシステムでゼロショットのパフォーマンスを達成することができるが、トレーニング中に見られるセンサーモデルに限定されている。本稿では,システムダイナミクスのトランスフォーマーモデルと解析的に知られたセンサモデルを組み合わせた基礎モデルKalmanフィルタ(FM-UKF)を提案する。我々は、FM-UKFを複雑な力学を持つコンテナ船モデルの新しいベンチマークで評価し、システム知識を近似した古典的手法やエンドツーエンドアプローチと比較して、競争の正確さ、努力、堅牢性を実証した。ベンチマークとデータセットはオープンソースとして公開され、ファンデーションモデルによるゼロショット状態推定のさらなる研究をサポートする。

関連論文リスト

RCUKF: Data-Driven Modeling Meets Bayesian Estimation [0.0]
未知のカルマンフィルタ(RCUKF)を用いた貯水池計算の新しい枠組みを提案する。 RCUKFは、貯水池計算によるデータ駆動モデリングと、無人カルマンフィルタ(UKF)によるベイズ推定を統合した。高忠実度シミュレーション環境において,RCUKFの有効性をよく知られたベンチマーク問題と実車軌道推定タスクで実証する。
論文参考訳（メタデータ） (2025-08-07T02:41:43Z)
High-Performance Few-Shot Segmentation with Foundation Models: An Empirical Study [64.06777376676513]
基礎モデルに基づく数ショットセグメンテーション(FSS)フレームワークを開発した。具体的には、基礎モデルから暗黙的な知識を抽出し、粗い対応を構築するための簡単なアプローチを提案する。 2つの広く使われているデータセットの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2024-09-10T08:04:11Z)
Hierarchically Disentangled Recurrent Network for Factorizing System Dynamics of Multi-scale Systems: An application on Hydrological Systems [4.634606500665259]
複数の時間スケールでシステムダイナミクスを分解する新しい階層的リカレントニューラルネットワークを提案する。国立気象局ノース・セントラル・リバー・フォアキャスト・センターからの幾らかの捕獲実験では、FHNNが標準ベースラインを上回っていることを示している。我々は,FHNNが,効果的な事前学習戦略とグローバルモデルの訓練を通じて,限られたトレーニングデータであっても精度を維持することができることを示す。
論文参考訳（メタデータ） (2024-07-29T16:25:43Z)
Physics Sensor Based Deep Learning Fall Detection System [0.9128828609564524]
我々は,組込みセンサを用いたデータ受信装置を備えたTSFallDetectというシステムを構築した。我々は、慣性およびフィルム圧力センサによって収集されたデータに基づいて、この降下動作予測問題に対処するために、シーケンシャルな深層学習手法を利用する。
論文参考訳（メタデータ） (2024-02-29T07:50:06Z)
Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated Control Form and NMPC Case Study [56.283944756315066]
そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
論文参考訳（メタデータ） (2024-01-09T11:54:54Z)
Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文参考訳（メタデータ） (2023-12-22T02:12:08Z)
End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
論文参考訳（メタデータ） (2023-08-03T10:21:53Z)
Towards Efficient Task-Driven Model Reprogramming with Foundation Models [52.411508216448716]
ビジョンファウンデーションモデルは、非常に大きなモデルキャパシティと幅広いトレーニングデータから恩恵を受け、印象的なパワーを示す。しかし、実際には、下流のシナリオは限られた計算資源や効率上の考慮のため、小さなモデルしかサポートできない。これは、ファンデーションモデルの現実的な応用に重要な課題をもたらします。
論文参考訳（メタデータ） (2023-04-05T07:28:33Z)
LEARNEST: LEARNing Enhanced Model-based State ESTimation for Robots using Knowledge-based Neural Ordinary Differential Equations [4.3403382998035624]
本研究では、状態推定アルゴリズムで用いられる力学モデルを強化することにより、ロボットシステムの正確な状態推定を行うタスクについて考察する。動的モデルの強化と推定精度の向上のために,知識ベースニューラル常微分方程式(KNODE)と呼ばれるディープラーニングフレームワークを利用する。提案する LEARNEST フレームワークでは,データ駆動モデルと KNODE-MHE と KNODE-UKF の2つの新しいモデルベース状態推定アルゴリズムを統合する。
論文参考訳（メタデータ） (2022-09-16T22:16:40Z)
Domain-aware Control-oriented Neural Models for Autonomous Underwater Vehicles [2.4779082385578337]
ドメイン認識のレベルが異なる制御指向パラメトリックモデルを提案する。データ駆動型ブラックボックスとAUVダイナミクスのグレイボックス表現を構築するために、普遍微分方程式を用いる。
論文参考訳（メタデータ） (2022-08-15T17:01:14Z)
Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文参考訳（メタデータ） (2022-06-07T13:51:35Z)

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。