論文の概要: X-IONet: Cross-Platform Inertial Odometry Network with Dual-Stage Attention

• arxiv url: http://arxiv.org/abs/2511.08277v1
• Date: Wed, 12 Nov 2025 01:50:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.734057
• Title: X-IONet: Cross-Platform Inertial Odometry Network with Dual-Stage Attention
• Title（参考訳）: X-IONet:デュアルステージを考慮したクロスプラットフォーム慣性オドメトリーネットワーク
• Authors: Dehan Shen, Changhao Chen,
• Abstract要約: X-IONetは、単一の慣性測定ユニット(IMU)のみを使用して動作するクロスプラットフォームの慣性計測フレームワークである。 ルールベースの専門家選択モジュールを組み込んで、モーションプラットフォームを分類し、IMUシーケンスをプラットフォーム固有の専門家ネットワークにルーティングする。 X-IONetは最先端のパフォーマンスを実現し、絶対軌道誤差(ATE)を14.3%減らし、相対軌道誤差(RTE)を11.4%減らした。
• 参考スコア（独自算出の注目度）: 6.545488752368577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning-based inertial odometry has achieved remarkable progress in pedestrian navigation. However, extending these methods to quadruped robots remains challenging due to their distinct and highly dynamic motion patterns. Models that perform well on pedestrian data often experience severe degradation when deployed on legged platforms. To tackle this challenge, we introduce X-IONet, a cross-platform inertial odometry framework that operates solely using a single Inertial Measurement Unit (IMU). X-IONet incorporates a rule-based expert selection module to classify motion platforms and route IMU sequences to platform-specific expert networks. The displacement prediction network features a dual-stage attention architecture that jointly models long-range temporal dependencies and inter-axis correlations, enabling accurate motion representation. It outputs both displacement and associated uncertainty, which are further fused through an Extended Kalman Filter (EKF) for robust state estimation. Extensive experiments on public pedestrian datasets and a self-collected quadruped robot dataset demonstrate that X-IONet achieves state-of-the-art performance, reducing Absolute Trajectory Error (ATE) by 14.3% and Relative Trajectory Error (RTE) by 11.4% on pedestrian data, and by 52.8% and 41.3% on quadruped robot data. These results highlight the effectiveness of X-IONet in advancing accurate and robust inertial navigation across both human and legged robot platforms.
• Abstract（参考訳）: 学習に基づく慣性オドメトリーは、歩行者ナビゲーションにおいて顕著な進歩を遂げた。 しかし、これらの手法を四足歩行ロボットに拡張することは、その特異かつ非常にダイナミックな動きパターンのため、依然として困難である。 歩行者データでうまく機能するモデルは、足のついたプラットフォームに配置すると深刻な劣化を経験することが多い。 この課題に対処するため,単一慣性計測ユニット(IMU)のみを用いたクロスプラットフォームな慣性計測フレームワークであるX-IONetを紹介した。 X-IONetにはルールベースの専門家選択モジュールが組み込まれており、モーションプラットフォームを分類し、IMUシーケンスをプラットフォーム固有の専門家ネットワークにルーティングする。 変位予測ネットワークは、長距離時間依存性と軸間相関を共同でモデル化し、正確な動き表現を可能にするデュアルステージアテンションアーキテクチャを備えている。 変位と関連する不確実性の両方を出力し、堅牢な状態推定のために拡張カルマンフィルタ(EKF)を介してさらに融合する。 公共の歩行者データセットと自己収集された四足歩行ロボットデータセットに関する大規模な実験は、X-IONetが最先端のパフォーマンスを実現し、絶対軌道誤差(ATE)を14.3%減らし、相対軌道誤差(RTE)を11.4%減らし、四足歩行ロボットデータを52.8%、41.3%減らしたことを示している。 これらの結果は、人間と足のロボットプラットフォームを横断する正確で堅牢な慣性航法におけるX-IONetの有効性を強調した。

関連論文リスト

• PatchTraj: Unified Time-Frequency Representation Learning via Dynamic Patches for Trajectory Prediction [14.48846131633279]
  軌道予測のための時間周波数ジョイントモデリングを統合した動的パッチベースのフレームワークを提案する。 具体的には、軌道を生の時間列と周波数成分に分解し、動的パッチ分割を用いてマルチスケールセグメンテーションを行う。 その結果、拡張された埋め込みは強力な表現力を示し、バニラアーキテクチャを使用した場合でも正確な予測を可能にする。
  論文  参考訳（メタデータ） (2025-07-25T09:55:33Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Coordinate Transformer: Achieving Single-stage Multi-person Mesh Recovery from Videos [91.44553585470688]
  ビデオから複数人の3Dメッシュを回収することは、バーチャルリアリティーや理学療法などにおけるグループ行動の自動認識に向けた重要な第一歩である。 本稿では,複数人物の時空間関係を直接モデル化し,同時にエンドツーエンドでマルチ・メッシュ・リカバリを行うコーディネート・トランスフォーマーを提案する。 3DPWデータセットの実験では、CoordFormerが最先端の精度を大幅に向上し、MPJPE、PAMPJPE、PVEの計測値でそれぞれ4.2%、8.8%、そして4.7%を上回った。
  論文  参考訳（メタデータ） (2023-08-20T18:23:07Z)
• STGlow: A Flow-based Generative Framework with Dual Graphormer for Pedestrian Trajectory Prediction [22.553356096143734]
  歩行者軌跡予測(STGlow)のための二重グラフマーを用いた新しい生成フローベースフレームワークを提案する。 本手法は,動作の正確なログライクな振る舞いを最適化することにより,基礎となるデータ分布をより正確にモデル化することができる。 いくつかのベンチマークによる実験結果から,本手法は従来の最先端手法に比べて性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-11-21T07:29:24Z)
• Learning Cross-view Geo-localization Embeddings via Dynamic Weighted Decorrelation Regularization [52.493240055559916]
  クロスビュージオローカライゼーションは、ドローンプラットフォームと衛星プラットフォームという2つのプラットフォームから撮影された同じ位置の画像を見つけることを目的としている。 既存の手法は、通常、特徴空間内の他のものとの埋め込み距離を最適化することに焦点を当てる。 本稿では、低冗長性も重要であり、モデルがより多様なパターンをマイニングする動機となっていると論じる。
  論文  参考訳（メタデータ） (2022-11-10T02:13:10Z)
• Joint Spatial-Temporal and Appearance Modeling with Transformer for Multiple Object Tracking [59.79252390626194]
  本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。 提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-05-31T01:19:18Z)
• VILENS: Visual, Inertial, Lidar, and Leg Odometry for All-Terrain Legged Robots [5.789654849162465]
  本報告では,足ロボットのための視覚的慣性ライダー脚ナビゲーションシステム(VILENS)について述べる。 重要な新規性は、信頼性の高い動作を実現するために、4つの異なるセンサーモードの密接な融合である。 最先端の疎結合アプローチと比較して, 平均62%の翻訳誤差と51%の回転誤差が改善した。
  論文  参考訳（メタデータ） (2021-07-15T11:05:00Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)

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。