論文の概要: Detection and Recovery of Adversarial Slow-Pose Drift in Offloaded Visual-Inertial Odometry
- arxiv url: http://arxiv.org/abs/2509.07130v1
- Date: Mon, 08 Sep 2025 18:31:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-10 14:38:27.079893
- Title: Detection and Recovery of Adversarial Slow-Pose Drift in Offloaded Visual-Inertial Odometry
- Title（参考訳）: オフロード型視覚慣性オドメトリーにおける逆緩徐ドリフトの検出と回復
- Authors: Soruya Saha, Md Nurul Absurd, Saptarshi Debroy,
- Abstract要約: エッジサーバにVIOをオフロードする現在のトレンドは、サーバ側の脅威表面を導く可能性がある。
非教師付きラベルなし検出・回復機構を提案する。
ILLIXRテストベッドを用いたリアルオフロードVIO環境におけるアプローチの評価を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Visual-Inertial Odometry (VIO) supports immersive Virtual Reality (VR) by fusing camera and Inertial Measurement Unit (IMU) data for real-time pose. However, current trend of offloading VIO to edge servers can lead server-side threat surface where subtle pose spoofing can accumulate into substantial drift, while evading heuristic checks. In this paper, we study this threat and present an unsupervised, label-free detection and recovery mechanism. The proposed model is trained on attack-free sessions to learn temporal regularities of motion to detect runtime deviations and initiate recovery to restore pose consistency. We evaluate the approach in a realistic offloaded-VIO environment using ILLIXR testbed across multiple spoofing intensities. Experimental results in terms of well-known performance metrics show substantial reductions in trajectory and pose error compared to a no-defense baseline.
- Abstract（参考訳）: 視覚慣性オドメトリー(VIO)は、没入型バーチャルリアリティ(VR)をサポートし、カメラと慣性計測ユニット(IMU)データをリアルタイムで撮影する。
しかし、現在のVIOをエッジサーバにオフロードする傾向は、微妙なポーズスプーフが実質的なドリフトに蓄積し、ヒューリスティックチェックを回避するサーバ側の脅威表面を導く可能性がある。
本稿では,この脅威を調査し,教師なしのラベルなし検出・回復機構を提案する。
提案モデルは、動作の時間的規則性を学習し、実行時偏差を検出し、ポーズの整合性を取り戻すための回復を開始するために、アタックフリーセッションで訓練される。
複数のスプーフィング強度にまたがる ILLIXR テストベッドを用いた現実的なオフロード-VIO環境におけるアプローチの評価を行った。
良く知られた性能指標による実験結果は、無防備なベースラインに比べて軌道とポーズの誤差が大幅に減少していることを示している。
関連論文リスト
- Real-Time Bayesian Detection of Drift-Evasive GNSS Spoofing in Reinforcement Learning Based UAV Deconfliction [6.956559003734227]
無人無人航空機(UAV)は、正確なリアルタイムの局地化と航法のためにグローバルナビゲーション衛星システム(GNSS)の擬似距離測定に頼っている。
この依存は、敵がUAV受信機を騙す偽りを操る洗練された偽造脅威にそれらを暴露する。
従来の分布シフト検出技術は、しばしばサンプルのしきい値の蓄積を必要とし、迅速な検出とタイムリーな応答を妨げる遅延を引き起こす。
本研究では,UAVナビゲーションにおける微妙な行動偏差を検出するために,強化学習(RL)批判ネットワークから評価値の時間的変化を監視する,ベイズオンライン変化点検出(BOCPD)アプローチについて検討する。
論文 参考訳（メタデータ） (2025-07-15T10:27:27Z) - NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。
グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。
我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
論文 参考訳（メタデータ） (2025-06-23T14:28:30Z) - LEAP-VO: Long-term Effective Any Point Tracking for Visual Odometry [52.131996528655094]
本稿では,LEAP(Long-term Effective Any Point Tracking)モジュールについて述べる。
LEAPは、動的トラック推定のために、視覚的、トラック間、時間的キューと慎重に選択されたアンカーを革新的に組み合わせている。
これらの特徴に基づき,強靭な視力計測システムLEAP-VOを開発した。
論文 参考訳（メタデータ） (2024-01-03T18:57:27Z) - SM/VIO: Robust Underwater State Estimation Switching Between Model-based
and Visual Inertial Odometry [1.9785872350085876]
本稿では,水中操作における視覚慣性状態推定のロバスト性問題に対処する。
提案手法では,ロボットの運動学モデルと固有感覚センサを用いてポーズ推定を行う。
ヘルスモニタリングは、2つの推定器間のタイムリーな切り替えを保証するVIOプロセスを追跡する。
論文 参考訳（メタデータ） (2023-04-04T17:46:20Z) - A Flexible-Frame-Rate Vision-Aided Inertial Object Tracking System for
Mobile Devices [3.4836209951879957]
本稿では,モバイルデバイス用フレキシブルフレームレートオブジェクトポーズ推定とトラッキングシステムを提案する。
高速トラッキングのためにクライアント側で慣性計測ユニット(IMU)ポーズ伝搬を行い、サーバ側でRGB画像ベースの3Dポーズ推定を行う。
我々のシステムは120FPSまでのフレキシブルフレームレートをサポートし、ローエンドデバイス上での高精度かつリアルタイムなトラッキングを保証する。
論文 参考訳（メタデータ） (2022-10-22T15:26:50Z) - Adversarially-Aware Robust Object Detector [85.10894272034135]
本稿では,ロバスト検出器 (RobustDet) を提案する。
本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
論文 参考訳（メタデータ） (2022-07-13T13:59:59Z)
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。