論文の概要: Real-Time Performance Analysis of Multi-Fidelity Residual Physics-Informed Neural Process-Based State Estimation for Robotic Systems

• arxiv url: http://arxiv.org/abs/2511.08231v1
• Date: Wed, 12 Nov 2025 01:47:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.708088
• Title: Real-Time Performance Analysis of Multi-Fidelity Residual Physics-Informed Neural Process-Based State Estimation for Robotic Systems
• Title（参考訳）: ロボットシステムのための多次元残差物理インフォームドニューラルプロセスによる状態推定のリアルタイム性能解析
• Authors: Devin Hunter, Chinwendu Enyioha,
• Abstract要約: MFR-PINP(Multi-fidelity residual Physics-informed Neural Process)に基づく新しいリアルタイム・データ駆動型推定手法を提案する。 具体的には、MFR-PINPを課題とし、MFR-PINPのモデルミスマッチ問題に対処し、単純で低忠実な予測と複雑で高忠実な基底トラスダイナミクスの間の残差を学習する。 本稿では,MFR-PINPに基づくハイブリッドオンライン学習環境のための推定器の実装について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Various neural network architectures are used in many of the state-of-the-art approaches for real-time nonlinear state estimation. With the ever-increasing incorporation of these data-driven models into the estimation domain, model predictions with reliable margins of error are a requirement -- especially for safety-critical applications. This paper discusses the application of a novel real-time, data-driven estimation approach based on the multi-fidelity residual physics-informed neural process (MFR-PINP) toward the real-time state estimation of a robotic system. Specifically, we address the model-mismatch issue of selecting an accurate kinematic model by tasking the MFR-PINP to also learn the residuals between simple, low-fidelity predictions and complex, high-fidelity ground-truth dynamics. To account for model uncertainty present in a physical implementation, robust uncertainty guarantees from the split conformal (SC) prediction framework are modeled in the training and inference paradigms. We provide implementation details of our MFR-PINP-based estimator for a hybrid online learning setting to validate our model's usage in real-time applications. Experimental results of our approach's performance in comparison to the state-of-the-art variants of the Kalman filter (i.e. unscented Kalman filter and deep Kalman filter) in estimation scenarios showed promising results for the MFR-PINP model as a viable option in real-time estimation tasks.
• Abstract（参考訳）: ニューラルネットワークアーキテクチャは、リアルタイム非線形状態推定のための最先端アプローチの多くで使用されている。 データ駆動モデルの見積もり領域への組み入れが絶え間なく増加する中、特に安全クリティカルなアプリケーションにおいて、信頼性の高いエラーマージンを持つモデル予測が要求される。 本稿では,MFR-PINP(Multi-fidelity residual Physics-informed Neural Process)に基づく新しいリアルタイムデータ駆動型推定手法のロボットシステムのリアルタイム状態推定への応用について論じる。 具体的には、MFR-PINPを課題とし、MFR-PINPのモデルミスマッチ問題に対処し、単純で低忠実な予測と複雑で高忠実な基底トラスダイナミクスの間の残差を学習する。 物理実装におけるモデル不確実性を考慮するため、スプリット・コンフォメーション(SC)予測フレームワークからの堅牢な不確実性保証をトレーニングと推論のパラダイムでモデル化する。 本稿では,MFR-PINPに基づくハイブリッドオンライン学習環境のための推定器の実装について述べる。 推定シナリオにおけるカルマンフィルタ(カルマンフィルタとディープカルマンフィルタ)の最先端特性と比較した手法の性能実験の結果,MFR-PINPモデルがリアルタイム推定タスクにおいて実行可能な選択肢として期待できる結果が得られた。

関連論文リスト

• Bayesian Models for Joint Selection of Features and Auto-Regressive Lags: Theory and Applications in Environmental and Financial Forecasting [0.9208007322096533]
  自動相関誤差を伴う線形回帰における変数選択のためのベイズ的フレームワークを開発する。 本フレームワークは,MSPEの低減,真のモデル成分同定の改善,自動相関ノイズとの整合性の向上を実現している。 既存の手法と比較して,本フレームワークはより低いMSPEを実現し,真のモデル成分の同定が向上し,自動相関ノイズとの整合性が向上する。
  論文  参考訳（メタデータ） (2025-08-12T18:44:36Z)
• 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)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• 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)
• DeepBayes -- an estimator for parameter estimation in stochastic nonlinear dynamical models [11.917949887615567]
  本研究では,DeepBayes推定器を提案する。 ディープリカレントニューラルネットワークアーキテクチャはオフラインでトレーニングでき、推論中にかなりの時間を節約できる。 提案手法の異なる実例モデルへの適用性を実証し, 最先端手法との詳細な比較を行う。
  論文  参考訳（メタデータ） (2022-05-04T18:12:17Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• 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)
• Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
  我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。 トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
  論文  参考訳（メタデータ） (2020-10-27T17:54:12Z)

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。