論文の概要: Spiking Neural-Invariant Kalman Fusion for Accurate Localization Using Low-Cost IMUs

• arxiv url: http://arxiv.org/abs/2601.08248v2
• Date: Tue, 03 Feb 2026 08:41:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.762135
• Title: Spiking Neural-Invariant Kalman Fusion for Accurate Localization Using Low-Cost IMUs
• Title（参考訳）: 低コストIMUを用いた高精度局所化のためのスパイキングニューラル不変カルマン核融合
• Abstract要約: スパイキングニューラルネットワーク(SNN)と不変拡張カルマンフィルタ(InEKF)を組み合わせた脳誘発状態推定フレームワークを提案する。 提案手法は,センサノイズに対する強い堅牢性を示し,実世界の移動ロボット応用の可能性を明らかにする。
• 参考スコア（独自算出の注目度）: 6.989460681111542
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-cost inertial measurement units (IMUs) are widely utilized in mobile robot localization due to their affordability and ease of integration. However, their complex, nonlinear, and time-varying noise characteristics often lead to significant degradation in localization accuracy when applied directly for dead reckoning. To overcome this limitation, we propose a novel brain-inspired state estimation framework that combines a spiking neural network (SNN) with an invariant extended Kalman filter (InEKF). The SNN is designed to extract motion-related features from long sequences of IMU data affected by substantial random noise and is trained via a surrogate gradient descent algorithm to enable dynamic adaptation of the covariance noise parameter within the InEKF. By fusing the SNN output with raw IMU measurements, the proposed method enhances the robustness and accuracy of pose estimation. Extensive experiments conducted on the KITTI dataset and real-world data collected using a mobile robot equipped with a low-cost IMU demonstrate that the proposed approach outperforms state-of-the-art methods in localization accuracy and exhibits strong robustness to sensor noise, highlighting its potential for real-world mobile robot applications.
• Abstract（参考訳）: 低コスト慣性測定ユニット(IMU)は,移動ロボットのローカライゼーションにおいて,その可利用性と統合性から広く利用されている。 しかし、それらの複雑で非線形で、時間的に変化するノイズ特性は、デッドレコメンデーションに直接適用した場合、局所化の精度を著しく低下させる。 この制限を克服するために、スパイキングニューラルネットワーク(SNN)と不変拡張カルマンフィルタ(InEKF)を組み合わせた新しい脳誘発状態推定フレームワークを提案する。 SNNは、かなりのランダムノイズに影響を受けるIMUデータの長いシーケンスから動きに関連した特徴を抽出するように設計されており、InEKF内の共分散雑音パラメータの動的適応を可能にするために、代理勾配降下アルゴリズムを用いて訓練されている。 実測値とSNN出力を融合することにより,ポーズ推定のロバスト性と精度を向上させる。 低コストIMUを備えた移動ロボットを用いて収集したKITTIデータセットと実世界のデータを用いた大規模な実験により、提案手法は局所化精度において最先端の手法よりも優れ、センサノイズに対する強い堅牢性を示し、実世界の移動ロボット応用の可能性を強調している。

関連論文リスト

• Normalizing Flow-Enhanced Message Passing for Multirobot Collaborative Localization [22.194428100020485]
  本稿では,協調的なローカライゼーションを分散的に実現するための新しいメッセージパッシング(MP)アルゴリズムを提案する。 このアルゴリズムはガウス的信念伝播(GBP)と平均場(MF)近似を統一し、GBPはロボットの状態間の依存関係を保ち、MFはノイズ統計を推定できる。 自動運転車(ASV)のシミュレーションと実験により、精度、堅牢性、適応性が改善された。
  論文  参考訳（メタデータ） (2026-06-29T07:04:56Z)
• NeuralMUSIC: A Hybrid Neural-Subspace Framework for Robot Sound Source Localization [34.77198437195362]
  我々は,ロボット音源定位のためのハイブリッドニューラルネットワークサブスペースフレームワークであるNeuralMUSICを提案する。 NeuralMUSICは、堅牢性とクロスドメインの一般化を改善しながら、競合するローカライゼーションの精度を達成する。
  論文  参考訳（メタデータ） (2026-06-17T04:03:15Z)
• Uncertainty-Aware Adaptive Sensor Fusion for Autonomous Navigation [0.0]
  この研究は、視覚慣性オドメトリー(VIO)の自律ナビゲーションにおけるポーズ推定精度を高めるために、Unscented Kalman Filter (UKF)と統合されたハイブリッドディープラーニングアプローチを導入する。 提案モデルでは、慣性計測ユニット(IMU)データから時間的依存を効果的に捉えるために、ViT(Vision Transformer)ネットワークを使用している。 予測不確実性を学習プロセスに明示的に組み込むことにより,ノイズ,不完全,信頼できないセンサ入力下での堅牢かつ正確なナビゲーションを可能にする。
  論文  参考訳（メタデータ） (2026-06-03T20:59:42Z)
• Distributed Kalman--Consensus Filtering with Adaptive Uncertainty Weighting for Multi-Object Tracking in Mobile Robot Networks [2.536160127321797]
  本稿では,移動ロボットネットワークにおけるマルチオブジェクト追跡(MOT)のための分散カルマン・コンセンサスフィルタ(DKCF)の実装と評価を行う。 このようなシステムにおける重要な課題は、ローカライゼーションの質が異なるエージェントからの情報の融合である。 本稿では,近隣情報の影響を動的に調整する不確実性を考慮した適応型コンセンサス重み付け機構を提案する。
  論文  参考訳（メタデータ） (2026-03-11T21:41:10Z)
• AIMS: An Adaptive Integration of Multi-Sensor Measurements for Quadrupedal Robot Localization [13.338971590090898]
  AIMSは、退化環境における頑健な四足歩行ロボットの局所化のための適応型LiDAR-IMU-leg odometry fusion法である。 狭い廊下環境において得られた結果から,提案手法は最先端手法と比較して,局所化精度とロバスト性を向上させることが示された。
  論文  参考訳（メタデータ） (2026-01-04T15:21:52Z)
• Noise-Robust Tiny Object Localization with Flows [63.60972031108944]
  フレキシブルなエラーモデリングと不確実性誘導最適化に正規化フローを活用するノイズローバストローカライゼーションフレームワークを提案する。 本手法は,フローベース誤差モデルを用いて,複雑な非ガウス予測分布を抽出し,ノイズの多い監視下で頑健な学習を可能にする。 不確実性を考慮した勾配変調機構は、トレーニングを安定化しながら過度な適合を緩和し、高不確実でノイズの強いサンプルからの学習をさらに抑制する。
  論文  参考訳（メタデータ） (2026-01-02T09:16:55Z)
• Implicit neural representations for accurate estimation of the standard model of white matter [2.1946354873884264]
  本研究は、暗黙的ニューラル表現(INR)に基づく推定フレームワークを導入する。 INRは入力座標の正弦波符号化による空間正則化を含む。 SMパラメータの推定におけるINR法の精度は,特に低信号対雑音条件において優れていた。
  論文  参考訳（メタデータ） (2025-06-18T15:40:42Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Mixed Precision Low-bit Quantization of Neural Network Language Models for Speech Recognition [67.95996816744251]
  長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。 現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。 本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
  論文  参考訳（メタデータ） (2021-11-29T12:24:02Z)
• Fast Distributionally Robust Learning with Variance Reduced Min-Max Optimization [85.84019017587477]
  分散的ロバストな教師付き学習は、現実世界のアプリケーションのための信頼性の高い機械学習システムを構築するための重要なパラダイムとして登場している。 Wasserstein DRSLを解くための既存のアルゴリズムは、複雑なサブプロブレムを解くか、勾配を利用するのに失敗する。 我々はmin-max最適化のレンズを通してwaserstein drslを再検討し、スケーラブルで効率的に実装可能な超勾配アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2021-04-27T16:56:09Z)
• Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by Spiking Neural Network [68.43026108936029]
  雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。 このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。 実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-07-07T08:22:56Z)

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。