論文の概要: CREPES-X: Hierarchical Bearing-Distance-Inertial Direct Cooperative Relative Pose Estimation System

• arxiv url: http://arxiv.org/abs/2512.24688v1
• Date: Wed, 31 Dec 2025 07:47:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.587773
• Title: CREPES-X: Hierarchical Bearing-Distance-Inertial Direct Cooperative Relative Pose Estimation System
• Title（参考訳）: CREPES-X:階層型ベアリング距離-慣性直接協調型相対関数推定システム
• Authors: Zhehan Li, Zheng Wang, Jiadong Lu, Qi Liu, Zhiren Xun, Yue Wang, Fei Gao, Chao Xu, Yanjun Cao,
• Abstract要約: 相対的局所化は自律型マルチロボットシステムにおける協調に重要である。 本稿では,階層的な相対的局所化フレームワークCREPES-Xを提案する。 これは、挑戦的な条件下での速度、精度、堅牢性を高める。
• 参考スコア（独自算出の注目度）: 16.41727725659712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Relative localization is critical for cooperation in autonomous multi-robot systems. Existing approaches either rely on shared environmental features or inertial assumptions or suffer from non-line-of-sight degradation and outliers in complex environments. Robust and efficient fusion of inter-robot measurements such as bearings, distances, and inertials for tens of robots remains challenging. We present CREPES-X (Cooperative RElative Pose Estimation System with multiple eXtended features), a hierarchical relative localization framework that enhances speed, accuracy, and robustness under challenging conditions, without requiring any global information. CREPES-X starts with a compact hardware design: InfraRed (IR) LEDs, an IR camera, an ultra-wideband module, and an IMU housed in a cube no larger than 6cm on each side. Then CREPES-X implements a two-stage hierarchical estimator to meet different requirements, considering speed, accuracy, and robustness. First, we propose a single-frame relative estimator that provides instant relative poses for multi-robot setups through a closed-form solution and robust bearing outlier rejection. Then a multi-frame relative estimator is designed to offer accurate and robust relative states by exploring IMU pre-integration via robocentric relative kinematics with loosely- and tightly-coupled optimization. Extensive simulations and real-world experiments validate the effectiveness of CREPES-X, showing robustness to up to 90% bearing outliers, proving resilience in challenging conditions, and achieving RMSE of 0.073m and 1.817° in real-world datasets.
• Abstract（参考訳）: 相対的局所化は自律型マルチロボットシステムにおける協調に重要である。 既存のアプローチでは、共有環境の特徴や慣性仮定に頼っているか、複雑な環境での非視界の劣化や外れ値に悩まされている。 数十個のロボットのためのベアリング、距離、慣性といったロボット間測定のロバストで効率的な融合は、未だに難しい。 本稿では,複数のeXtended特徴を持つ協調相対関数推定システム CREPES-X について述べる。 CREPES-Xは、Infra Red(IR) LED、赤外線カメラ、超広帯域モジュール、そして両側に6cm以下の立方体を収納したIMUというコンパクトなハードウェアデザインから始まります。 その後、CREPES-Xは2段階の階層的推定器を実装し、速度、精度、堅牢性を考慮して異なる要求を満たす。 まず, 複数ロボットの構成に対して, クローズド・フォーム・ソリューションとロバスト・ベアリング・アウトリヤ・リジェクションにより, 即時的な相対的なポーズを与える単一フレーム相対推定器を提案する。 次に,ロボット中心の相対キネマティクスによるIMU事前積分をゆるく結合した最適化により探索することにより,高精度でロバストな相対状態を提供するよう設計する。 広範囲にわたるシミュレーションと実世界の実験は、CREPES-Xの有効性を検証し、最大90%のアウトレーヤを持つ堅牢性を示し、挑戦的な条件でレジリエンスを証明し、実世界のデータセットで0.073mと1.817°のRMSEを達成する。

関連論文リスト

• DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
  本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。 DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
  論文  参考訳（メタデータ） (2026-03-16T02:02:38Z)
• Distributed and Consistent Multi-Robot Visual-Inertial-Ranging Odometry on Lie Groups [1.2247984232203188]
  本稿では、複数のロボット間でVIOとUWBの測定を密に融合させる分散視覚慣性測度(DC-VIRO)フレームワークを提案する。 リー群上の右不変誤差定式化を利用して、提案手法は標準VIOの可観測性を保存する。
  論文  参考訳（メタデータ） (2026-02-22T13:07:50Z)
• CRoSS: A Continual Robotic Simulation Suite for Scalable Reinforcement Learning with High Task Diversity and Realistic Physics Simulation [46.950823663585425]
  継続的な強化学習では、エージェントは以前取得したポリシーを忘れずに一連のタスクから学ぶ必要がある。 本稿では,ガゼボシミュレータで現実的にシミュレーションされたロボットをベースとしたCRLのための新しいベンチマークスイートを提案する。
  論文  参考訳（メタデータ） (2026-02-04T18:54:26Z)
• Neural Collision Detection for Multi-arm Laparoscopy Surgical Robots Through Learning-from-Simulation [0.0]
  本研究では,腹腔鏡下手術におけるロボットアームの安全性と操作効率を高めるための統合的枠組みを提案する。 関節構成に基づいてロボットアーム間の最小距離を推定する解析モデルを開発した。 深部ニューラルネットワークモデルは、ロボットアームの関節アクチュエータと相対位置を入力としてトレーニングされ、平均絶対誤差は282.2mm、R二乗値は0.85である。
  論文  参考訳（メタデータ） (2026-01-21T20:54:35Z)
• Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning [56.240199425429445]
  マルチロボット運動計画(MPMP)は、共有された連続作業空間で動作する複数のロボットのための軌道を生成する。 離散マルチエージェント探索(MAPF)法は,その拡張性から広く採用されているが,粗い離散化の軌道品質は高い。 本稿では、制約付き生成拡散モデルを用いた離散MAPF解法を導入することにより、2つのアプローチの限界に対処する。
  論文  参考訳（メタデータ） (2025-08-27T17:59:36Z)
• ROVR-Open-Dataset: A Large-Scale Depth Dataset for Autonomous Driving [62.9051914830949]
  実世界の運転の複雑さを捉えるために設計された,大規模で多様で費用効率のよい深度データセットであるROVRを提案する。 軽量な取得パイプラインは、スケーラブルなコレクションを保証すると同時に、統計的に十分な基礎的真実は堅牢なトレーニングをサポートする。 最先端の単分子深度モデルによるベンチマークでは、厳密なクロスデータセットの一般化失敗が示される。
  論文  参考訳（メタデータ） (2025-08-19T16:13:49Z)
• Multi-Robot Relative Pose Estimation in SE(2) with Observability Analysis: A Comparison of Extended Kalman Filtering and Robust Pose Graph Optimization [1.0485739694839669]
  本研究では,相対的なポーズ推定の協調的局所化と可観測性分析に着目する。 ROS/Gazeboシミュレーションでは,4つのセンシング・通信構造について検討する。 ハードウェア実験では、UWBモジュールを備えた2つのTurtlebot3がロボット間の相対的なポーズ推定に使用される。
  論文  参考訳（メタデータ） (2024-01-27T06:09:56Z)
• Multi-Visual-Inertial System: Analysis, Calibration and Estimation [26.658649118048032]
  マルチビジュアル・慣性システム(MVIS)の状態を推定し,センサ融合アルゴリズムを開発した。 我々は、関連する視覚慣性センサーの完全な校正に興味を持っている。
  論文  参考訳（メタデータ） (2023-08-10T02:47:36Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)

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。