論文の概要: Seq-DeepIPC: Sequential Sensing for End-to-End Control in Legged Robot Navigation

• arxiv url: http://arxiv.org/abs/2510.23057v1
• Date: Mon, 27 Oct 2025 06:39:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.478735
• Title: Seq-DeepIPC: Sequential Sensing for End-to-End Control in Legged Robot Navigation
• Title（参考訳）: Seq-DeepIPC:レッグロボットナビゲーションにおけるエンドツーエンド制御のためのシーケンスセンシング
• Authors: Oskar Natan, Jun Miura,
• Abstract要約: 実環境におけるロボットナビゲーションのための逐次的エンドツーエンド認識制御モデルであるSeq-DeepIPCを提案する。 モデルはセマンティックセグメンテーションと深さ推定を共同で予測し、計画と制御のためのより豊かな空間的特徴を与える。 道路と草地の両方を含む大規模で多様なデータセットを収集し,ロボット犬を用いたSeq-DeepIPCの有効性を確認した。
• 参考スコア（独自算出の注目度）: 5.557543974847597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present Seq-DeepIPC, a sequential end-to-end perception-to-control model for legged robot navigation in realworld environments. Seq-DeepIPC advances intelligent sensing for autonomous legged navigation by tightly integrating multi-modal perception (RGB-D + GNSS) with temporal fusion and control. The model jointly predicts semantic segmentation and depth estimation, giving richer spatial features for planning and control. For efficient deployment on edge devices, we use EfficientNet-B0 as the encoder, reducing computation while maintaining accuracy. Heading estimation is simplified by removing the noisy IMU and instead computing the bearing angle directly from consecutive GNSS positions. We collected a larger and more diverse dataset that includes both road and grass terrains, and validated Seq-DeepIPC on a robot dog. Comparative and ablation studies show that sequential inputs improve perception and control in our models, while other baselines do not benefit. Seq-DeepIPC achieves competitive or better results with reasonable model size; although GNSS-only heading is less reliable near tall buildings, it is robust in open areas. Overall, Seq-DeepIPC extends end-to-end navigation beyond wheeled robots to more versatile and temporally-aware systems. To support future research, we will release the codes to our GitHub repository at https://github.com/oskarnatan/Seq-DeepIPC.
• Abstract（参考訳）: 実環境におけるロボットナビゲーションのための逐次的エンドツーエンド認識制御モデルであるSeq-DeepIPCを提案する。 Seq-DeepIPCは、マルチモーダル認識(RGB-D + GNSS)と時間融合と制御を密に統合することにより、自律脚ナビゲーションのためのインテリジェントなセンシングを推進している。 モデルはセマンティックセグメンテーションと深さ推定を共同で予測し、計画と制御のためのより豊かな空間的特徴を与える。 エッジデバイスへの効率的なデプロイには、エンコーダとしてEfficientNet-B0を使用し、精度を維持しながら計算量を削減します。 ノイズの多いIMUを除去し、代わりに連続したGNSS位置から直接軸受角度を計算することにより、ヘッド推定を簡略化する。 道路と草地の両方を含む大規模で多様なデータセットを収集し,ロボット犬を用いたSeq-DeepIPCの有効性を確認した。 比較およびアブレーション研究により、逐次入力は我々のモデルにおける知覚と制御を改善する一方、他のベースラインは恩恵を受けないことが示された。 Seq-DeepIPCは、合理的なモデルサイズで競争力またはより良い結果を得るが、GNSSのみの誘導は高い建物の近くでは信頼性が低いが、オープンエリアでは堅牢である。 全体として、Seq-DeepIPCは車輪付きロボットを超えたエンドツーエンドのナビゲーションを、より汎用的で時間的に認識可能なシステムに拡張している。 将来の研究をサポートするため、GitHubリポジトリにhttps://github.com/oskarnatan/Seq-DeepIPC.comでコードを公開します。

関連論文リスト

• Automated classification of pre-defined movement patterns: A comparison between GNSS and UWB technology [55.41644538483948]
  リアルタイム位置情報システム(RTLS)は、人間の動きパターンからデータを収集することができる。 本研究の目的は、小さな領域における人間の動きパターンを分類する自動化された枠組みを設計し、評価することである。
  論文  参考訳（メタデータ） (2023-03-10T14:46:42Z)
• DeepIPC: Deeply Integrated Perception and Control for an Autonomous Vehicle in Real Environments [7.642646077340124]
  本稿では,自動運転に適した新しいエンドツーエンドモデルであるDeepIPCを紹介する。 DeepIPCは知覚と制御タスクをシームレスに統合する。 本評価は,DeepIPCの乾燥性およびマルチタスク効率において優れた性能を示すものである。
  論文  参考訳（メタデータ） (2022-07-20T14:20:35Z)
• Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge TPU [58.720142291102135]
  本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。 我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
  論文  参考訳（メタデータ） (2022-04-07T08:53:18Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)
• Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference [49.88536971774444]
  慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。 正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。 我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
  論文  参考訳（メタデータ） (2020-01-13T04:41:54Z)

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。