論文の概要: Nonlinear System Identification Nano-drone Benchmark

• arxiv url: http://arxiv.org/abs/2512.14450v1
• Date: Tue, 16 Dec 2025 14:37:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.383988
• Title: Nonlinear System Identification Nano-drone Benchmark
• Title（参考訳）: 非線形システム同定ナノドローンベンチマーク
• Authors: Riccardo Busetto, Elia Cereda, Marco Forgione, Gabriele Maroni, Dario Piga, Daniele Palossi,
• Abstract要約: 本稿では,Crzyflie 2.1 Brushless nano-quadrotorの75k実世界のサンプルに基づくシステム識別のベンチマークを紹介する。 プラットフォームは、マルチインプット、マルチアウトプットの性質、オープンループの不安定性、アジャイル操作時の非線形ダイナミクスなど、困難なテストベッドを提供する。
• 参考スコア（独自算出の注目度）: 4.997595784983579
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a benchmark for system identification based on 75k real-world samples from the Crazyflie 2.1 Brushless nano-quadrotor, a sub-50g aerial vehicle widely adopted in robotics research. The platform presents a challenging testbed due to its multi-input, multi-output nature, open-loop instability, and nonlinear dynamics under agile maneuvers. The dataset comprises four aggressive trajectories with synchronized 4-dimensional motor inputs and 13-dimensional output measurements. To enable fair comparison of identification methods, the benchmark includes a suite of multi-horizon prediction metrics for evaluating both one-step and multi-step error propagation. In addition to the data, we provide a detailed description of the platform and experimental setup, as well as baseline models highlighting the challenge of accurate prediction under real-world noise and actuation nonlinearities. All data, scripts, and reference implementations are released as open-source at https://github.com/idsia-robotics/nanodrone-sysid-benchmark to facilitate transparent comparison of algorithms and support research on agile, miniaturized aerial robotics.
• Abstract（参考訳）: ロボット工学研究で広く採用されている50g以下の航空機であるCrzyflie 2.1 Brushless nano-quadrotorの75k実世界のサンプルに基づくシステム識別のベンチマークを紹介する。 プラットフォームは、マルチインプット、マルチアウトプットの性質、オープンループの不安定性、アジャイル操作時の非線形ダイナミクスなど、困難なテストベッドを提供する。 このデータセットは、同期された4次元のモータ入力と13次元の出力測定を備えた4つのアグレッシブな軌跡からなる。 同定法を公平に比較するために、ベンチマークには、一段階と多段階のエラー伝搬を評価するためのマルチ水平予測指標が一組含まれている。 このデータに加えて、実世界の騒音やアクチュエータの非線形性の下での正確な予測の課題を浮き彫りにするベースラインモデルも提供する。 すべてのデータ、スクリプト、リファレンス実装はhttps://github.com/idsia-robotics/nanodrone-sysid-benchmarkでオープンソースとしてリリースされ、アルゴリズムの透過的な比較とアジャイルで小型化された空中ロボットの研究を支援する。

関連論文リスト

• NanoBench: A Multi-Task Benchmark Dataset for Nano-Quadrotor System Identification, Control, and State Estimation [1.0312968200748118]
  既存の航空ロボティクスベンチマークでは、数百グラムから数キログラムまでの車両を目標とし、通常は高レベルなデータのみを公開する。 市販のクラジフリー2.1ナノクワッドロータ(離陸重量27g)で収集したオープンソースのマルチタスクベンチマークであるNanoBenchをViconモーションキャプチャアリーナで紹介する。 このデータセットには、ホバリング、多周波空力、標準追跡、複数の速度レギュレーションにまたがる攻撃的な操作にまたがる170以上の飛行軌跡が含まれている。
  論文  参考訳（メタデータ） (2026-03-10T17:01:59Z)
• The Mini Wheelbot Dataset: High-Fidelity Data for Robot Learning [11.872449230532501]
  本稿では,オープンソースの準対称平衡式反応輪一輪車Mini Wheelbotについて,包括的ダイナミックスデータセットを提案する。 このデータセットは、1kHzの同期データで、オンボードセンサーの読み取り、状態推定、モーションキャプチャシステムからの地味なポーズ、サードパーティのビデオログを含む。
  論文  参考訳（メタデータ） (2026-01-16T16:06:32Z)
• OpenDataArena: A Fair and Open Arena for Benchmarking Post-Training Dataset Value [74.80873109856563]
  OpenDataArena(ODA)は、トレーニング後のデータの本質的な価値をベンチマークするために設計された、総合的でオープンなプラットフォームである。 ODAは4つの主要な柱からなる包括的なエコシステムを確立している。 (i) 多様なモデル間で公平でオープンな比較を保証する統一的なトレーニング評価パイプライン、 (ii) 異なる軸数に沿ってデータ品質をプロファイリングする多次元スコアリングフレームワーク、 (iii) データセットの系図を視覚化してコンポーネントソースを識別するインタラクティブなデータ系統探索である。
  論文  参考訳（メタデータ） (2025-12-16T03:33:24Z)
• X-IONet: Cross-Platform Inertial Odometry Network with Dual-Stage Attention [6.545488752368577]
  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。
  論文  参考訳（メタデータ） (2025-11-11T14:06:52Z)
• Towards Vision Mixture of Experts for Wildlife Monitoring on the Edge [13.112893692624768]
  TinyMLのコミュニティは、通信帯域幅と過剰なクラウドストレージコストを節約するための方法を積極的に提案している。 モバイル・ビジョン・トランスフォーマーにおいて、パッチごとの条件付き計算を初めて行う。 The model on Cornell Sap Sucker Woods 60。
  論文  参考訳（メタデータ） (2024-11-12T14:36:06Z)
• Collaborative Learning with a Drone Orchestrator [79.75113006257872]
  インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。 提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
  論文  参考訳（メタデータ） (2023-03-03T23:46:25Z)
• Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
  この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。 超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。 実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T14:14:08Z)
• Certified data-driven physics-informed greedy auto-encoder simulator [0.5249805590164902]
  自己エンコーダと動的識別モデルを対話的にトレーニングし、本質的で単純な潜在空間のダイナミクスを発見する。 物理インフォームドエラーインジケータと統合された適応型グリーディサンプリングアルゴリズムを導入し,フライ時の最適なトレーニングサンプルを探索する。 数値計算の結果,提案手法は放射差対流および2次元バーガース力学問題に対して1～5%の相対誤差でパラメトリック121～2,658倍の高速化を実現する。
  論文  参考訳（メタデータ） (2022-11-24T16:22:51Z)
• Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing Things [82.15959827765325]
  環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。 我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。 我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
  論文  参考訳（メタデータ） (2022-07-14T10:04:18Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。