論文の概要: PiDR: Physics-Informed Inertial Dead Reckoning for Autonomous Platforms

• arxiv url: http://arxiv.org/abs/2601.03040v1
• Date: Tue, 06 Jan 2026 14:19:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.969215
• Title: PiDR: Physics-Informed Inertial Dead Reckoning for Autonomous Platforms
• Title（参考訳）: PiDR: 自律プラットフォームのための物理インフォームされた慣性デッドレコニング
• Authors: Arup Kumar Sahoo, Itzik Klein,
• Abstract要約: 自律型プラットフォームのための物理インフォーム付き慣性デッドレコニングフレームワークPiDRを提案する。 移動ロボットと自律型水中車両によって収集された実世界のデータセット上でPiDRを評価する。
• 参考スコア（独自算出の注目度）: 5.5217350574838875
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A fundamental requirement for full autonomy is the ability to sustain accurate navigation in the absence of external data, such as GNSS signals or visual information. In these challenging environments, the platform must rely exclusively on inertial sensors, leading to pure inertial navigation. However, the inherent noise and other error terms of the inertial sensors in such real-world scenarios will cause the navigation solution to drift over time. Although conventional deep-learning models have emerged as a possible approach to inertial navigation, they are inherently black-box in nature. Furthermore, they struggle to learn effectively with limited supervised sensor data and often fail to preserve physical principles. To address these limitations, we propose PiDR, a physics-informed inertial dead-reckoning framework for autonomous platforms in situations of pure inertial navigation. PiDR offers transparency by explicitly integrating inertial navigation principles into the network training process through the physics-informed residual component. PiDR plays a crucial role in mitigating abrupt trajectory deviations even under limited or sparse supervision. We evaluated PiDR on real-world datasets collected by a mobile robot and an autonomous underwater vehicle. We obtained more than 29% positioning improvement in both datasets, demonstrating the ability of PiDR to generalize different platforms operating in various environments and dynamics. Thus, PiDR offers a robust, lightweight, yet effective architecture and can be deployed on resource-constrained platforms, enabling real-time pure inertial navigation in adverse scenarios.
• Abstract（参考訳）: 完全自律性の基本的な要件は、GNSS信号や視覚情報などの外部データがない場合に正確なナビゲーションを維持する能力である。 これらの困難な環境では、プラットフォームは慣性センサーのみに頼らなければならない。 しかし、そのような現実のシナリオにおける慣性センサーの固有のノイズやその他のエラー条件は、ナビゲーションソリューションを時間の経過とともにドリフトさせる。 従来のディープラーニングモデルは慣性ナビゲーションの可能なアプローチとして登場したが、本質的にはブラックボックスである。 さらに、教師付きセンサーの限られたデータで効果的に学習するのに苦労し、しばしば物理原理の維持に失敗する。 これらの制約に対処するため、純粋慣性ナビゲーションの状況下での自律プラットフォームのための物理情報を用いた慣性デッドレコンディングフレームワークPiDRを提案する。 PiDRは、物理インフォームド残差コンポーネントを通じて、慣性ナビゲーションの原則をネットワークトレーニングプロセスに明示的に統合することで透明性を提供する。 PiDRは、限定的または疎外的な監督の下でも、突然の軌道偏差を緩和する重要な役割を担っている。 移動ロボットと自律型水中車両で収集した実世界のデータセットからPiDRを評価した。 両データセットの29%以上の位置決め精度向上を実現し,様々な環境や動的環境で動作するプラットフォームを一般化するPiDRの能力を実証した。 このように、PiDRは堅牢で軽量で効果的なアーキテクチャを提供し、リソース制約のあるプラットフォームにデプロイすることができる。

関連論文リスト

• ZTRS: Zero-Imitation End-to-end Autonomous Driving with Trajectory Scoring [52.195295396336526]
  ZTRS(Zero-Imitation End-to-End Autonomous Driving with Trajectory Scoring)は、情報を失うことなくセンサー入力と堅牢な計画のためのRLトレーニングという、両方の世界の強みを組み合わせたフレームワークである。 ZTRSは、Navtest、Navhard、HUGSIMの3つのベンチマークで強力なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-10-28T06:26:36Z)
• Forecasting Continuous Non-Conservative Dynamical Systems in SO(3) [51.510040541600176]
  コンピュータビジョンにおける移動物体の回転をモデル化するための新しい手法を提案する。 我々のアプローチは、入力ノイズに対して頑健でありながら、エネルギーと運動量保存に非依存である。 トレーニング中の雑音状態から物体のダイナミクスを近似させることで、シミュレーションや様々な現実世界の設定において頑健な外挿能力が得られる。
  論文  参考訳（メタデータ） (2025-08-11T09:03:10Z)
• MoRPI-PINN: A Physics-Informed Framework for Mobile Robot Pure Inertial Navigation [5.5217350574838875]
  我々は,慣性に基づく正確な移動ロボットナビゲーションのための物理インフォームドニューラルネットワークフレームワークとして,MoRPI-PINNを提案する。 実世界の実験では,他の手法と比較して85%以上の精度向上が見られた。
  論文  参考訳（メタデータ） (2025-07-24T09:02:13Z)
• WMINet: A Wheel-Mounted Inertial Learning Approach For Mobile-Robot Positioning [2.915868985330569]
  我々はWMINETを車輪搭載型慣性深度学習手法として提案し,その慣性センサのみに基づいて移動ロボットの位置を推定する。 そこで本研究では,車載アプローチと移動ロボットの周期軌道駆動という,慣性ドリフトを減らすための2つの一般的な実践的手法をマージする。 我々のアプローチは最先端のアプローチよりも66%改善した。
  論文  参考訳（メタデータ） (2025-03-17T10:43:46Z)
• ETPNav: Evolving Topological Planning for Vision-Language Navigation in Continuous Environments [56.194988818341976]
  視覚言語ナビゲーションは、エージェントが環境中をナビゲートするための指示に従う必要があるタスクである。 本研究では,1)環境を抽象化し,長距離航法計画を生成する能力,2)連続環境における障害物回避制御能力の2つの重要なスキルに焦点を当てたETPNavを提案する。 ETPNavは、R2R-CEとRxR-CEデータセットの先行技術よりも10%以上、20%改善されている。
  論文  参考訳（メタデータ） (2023-04-06T13:07:17Z)
• Towards Generalisable Deep Inertial Tracking via Geometry-Aware Learning [2.694262942445446]
  慣性追跡は、一時的な不利な運用条件下で重要な役割を果たす。 慣性追跡は伝統的に(i)過度なエラーの増大に悩まされ、(ii)広範囲で面倒なチューニングを必要とした。 本稿では,従来の制限を克服した新しいディープラーニング慣性追跡システムDITを提案する。
  論文  参考訳（メタデータ） (2021-06-29T08:50:23Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)
• IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
  本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。 当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
  論文  参考訳（メタデータ） (2021-01-20T00:31:52Z)
• 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。