論文の概要: Observability-Enhanced Target Motion Estimation via Bearing-Box: Theory and MAV Applications

• arxiv url: http://arxiv.org/abs/2601.06887v1
• Date: Sun, 11 Jan 2026 12:23:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.732045
• Title: Observability-Enhanced Target Motion Estimation via Bearing-Box: Theory and MAV Applications
• Title（参考訳）: ベアリングボックスによる観測可能性向上目標運動推定:理論とMAV応用
• Authors: Yin Zhang, Zian Ning, Shiyu Zhao,
• Abstract要約: この研究は、現代の3D検出測定を完全に活用する、新しいベアリングボックスアプローチを導入する。 我々のベアリングボックス推定器は、これらの仮定を使わずに、対象の運動と物理的大きさの両方を推定できる。 さらに、MAVの加速度と推力のユニークな結合を利用することにより、高次の運動仮定の必要性を排除している。
• 参考スコア（独自算出の注目度）: 15.921376551982673
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Monocular vision-based target motion estimation is a fundamental challenge in numerous applications. This work introduces a novel bearing-box approach that fully leverages modern 3D detection measurements that are widely available nowadays but have not been well explored for motion estimation so far. Unlike existing methods that rely on restrictive assumptions such as isotropic target shape and lateral motion, our bearing-box estimator can estimate both the target's motion and its physical size without these assumptions by exploiting the information buried in a 3D bounding box. When applied to multi-rotor micro aerial vehicles (MAVs), the estimator yields an interesting advantage: it further removes the need for higher-order motion assumptions by exploiting the unique coupling between MAV's acceleration and thrust. This is particularly significant, as higher-order motion assumptions are widely believed to be necessary in state-of-the-art bearing-based estimators. We support our claims with rigorous observability analyses and extensive experimental validation, demonstrating the estimator's superior performance in real-world scenarios.
• Abstract（参考訳）: 単眼視覚に基づく目標運動推定は、多くのアプリケーションにおいて基本的な課題である。 本研究は,現在広く利用されているが,これまでは動作推定に十分な研究がなされていない,現代の3次元計測をフル活用した新しいベアリングボックス手法を提案する。 等方的対象形状や横方向運動などの制約的な仮定に依存する既存の手法とは異なり、我々のベアリングボックス推定器は3次元バウンディングボックスに埋もれた情報を利用することで、これらの仮定を使わずに、対象の運動と物理的大きさの両方を推定できる。 マルチロータマイクロエアロビー(MAV)に適用すると、この推定器は興味深い利点をもたらす:MAVの加速度と推力のユニークな結合を利用することにより、高次運動仮定の必要性をさらに排除する。 これは特に重要なことであり、高次運動仮定は最先端のベアリングベース推定器で必要とされると広く信じられている。 我々は、厳密な観測可能性分析と広範な実験検証により、実世界のシナリオにおける推定器の優れた性能を実証する。

関連論文リスト

• AttentiveGRU: Recurrent Spatio-Temporal Modeling for Advanced Radar-Based BEV Object Detection [5.5967570276373655]
  鳥眼視(Bird's-eye view, BEV)は、先進的な3Dレーダーによる知覚システムにおいて重要である。 本稿では,アテンラプティブ(AttenRUtive)について紹介する。
  論文  参考訳（メタデータ） (2025-04-01T09:10:47Z)
• How Cars Move: Analyzing Driving Dynamics for Safer Urban Traffic [12.414957984956043]
  PriorMotionは、動的解析を駆動することで、運動パターンを体系的に発見するように設計されたデータ統合フレームワークである。 提案手法は,都市交通の空間的時間的傾向を捉えるために,マルチスケールな経験的観察とカスタマイズされた分析ツールを組み合わせる。
  論文  参考訳（メタデータ） (2024-12-05T09:56:24Z)
• ReMP: Reusable Motion Prior for Multi-domain 3D Human Pose Estimation and Motion Inbetweening [10.813269931915364]
  我々は人体形状の完全なパラメトリックモデルの前列からリッチな動きを学習する。 我々の前者は、フレーム不足やノイズ測定で簡単にポーズを推定できる。 ReMPは、多種多様な実用的な3Dモーションデータに基づくベースライン法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-11-13T02:42:07Z)
• Future Does Matter: Boosting 3D Object Detection with Temporal Motion Estimation in Point Cloud Sequences [25.74000325019015]
  クロスフレーム動作予測情報を用いた時空間特徴学習を容易にするために,新しいLiDAR 3Dオブジェクト検出フレームワークLiSTMを導入する。 我々は,本フレームワークが優れた3次元検出性能を実現することを示すため,アグリゲーションとnuScenesデータセットの実験を行った。
  論文  参考訳（メタデータ） (2024-09-06T16:29:04Z)
• A Mixture of Experts Approach to 3D Human Motion Prediction [1.4974445469089412]
  本研究は,Au-Tonomous Vehicle Motion Detectionなどのアプリケーションにとって重要な領域である,人間の動作予測の課題に対処する。 私たちの主な目的は、既存のモデルar-tectureを批判的に評価し、その利点と改善の機会を特定することです。 これは完全に微分可能なスパーストランスであり、推論コストの低いモデルキャパシティを有効にする有望な能力を示している。
  論文  参考訳（メタデータ） (2024-05-09T20:26:58Z)
• Instantaneous Perception of Moving Objects in 3D [86.38144604783207]
  周囲の交通参加者の3次元運動の認識は、運転安全に不可欠である。 本研究では,物体点雲の局所的な占有率の達成を利用して形状を密度化し,水泳人工物の影響を軽減することを提案する。 広汎な実験は、標準的な3次元運動推定手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-05-05T01:07:24Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• Towards Scale-Aware, Robust, and Generalizable Unsupervised Monocular Depth Estimation by Integrating IMU Motion Dynamics [74.1720528573331]
  教師なし単眼深度と自我運動推定は近年広く研究されている。 我々は、視覚情報とIMUモーションダイナミクスを統合した新しいスケールアウェアフレームワークDynaDepthを提案する。 我々は、KITTIおよびMake3Dデータセット上で広範囲な実験とシミュレーションを行うことにより、DynaDepthの有効性を検証する。
  論文  参考訳（メタデータ） (2022-07-11T07:50:22Z)
• Attentive and Contrastive Learning for Joint Depth and Motion Field Estimation [76.58256020932312]
  単眼視システムからシーンの3次元構造とともにカメラの動きを推定することは複雑な作業である。 モノクロ映像からの3次元物体運動場推定のための自己教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-13T16:45:01Z)
• HuMoR: 3D Human Motion Model for Robust Pose Estimation [100.55369985297797]
  HuMoRは、時間的ポーズと形状のロバスト推定のための3Dヒューマンモーションモデルです。 モーションシーケンスの各ステップにおけるポーズの変化の分布を学習する条件付き変分オートエンコーダについて紹介する。 本モデルが大規模モーションキャプチャーデータセットのトレーニング後に多様な動きや体型に一般化することを示す。
  論文  参考訳（メタデータ） (2021-05-10T21:04:55Z)
• Kinematic-Structure-Preserved Representation for Unsupervised 3D Human Pose Estimation [58.72192168935338]
  大規模インスタディオデータセットの監視を用いて開発された人間のポーズ推定モデルの一般化可能性については疑問が残る。 本稿では,2対あるいは2対の弱い監督者によって抑制されない,新しいキネマティック構造保存型非教師付き3次元ポーズ推定フレームワークを提案する。 提案モデルでは,前方運動学,カメラ投影,空間マップ変換という3つの連続的な微分可能変換を用いる。
  論文  参考訳（メタデータ） (2020-06-24T23:56:33Z)

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。