論文の概要: KILO-EKF: Koopman-Inspired Learned Observations Extended Kalman Filter
- arxiv url: http://arxiv.org/abs/2601.12463v2
- Date: Tue, 03 Mar 2026 00:00:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:40.831011
- Title: KILO-EKF: Koopman-Inspired Learned Observations Extended Kalman Filter
- Title（参考訳）: KILO-EKF:Koopman-Inspireed Learned Observations Extended Kalman Filter
- Authors: Zi Cong Guo, James R. Forbes, Timothy D. Barfoot,
- Abstract要約: 我々はKoopman-Inspireed Learned Observations Extended Kalman Filter (KILO-EKF)を提案する。
KILO-EKFは、標準的なEKF予測ステップと、データから学んだクープマンにインスパイアされた測定モデルに基づく補正ステップを組み合わせる。
IMU,ウルトラワイドバンド(UWB)センサ,および下向きレーザーを用いた実世界の四重極局在化タスクに対するアプローチを検証する。
- 参考スコア（独自算出の注目度）: 10.42629447317569
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present the Koopman-Inspired Learned Observations Extended Kalman Filter (KILO-EKF), which combines a standard EKF prediction step with a correction step based on a Koopman-inspired measurement model learned from data. By lifting measurements into a feature space where they are linear in the state, KILO-EKF enables flexible modeling of complex or poorly calibrated sensors while retaining the structure and efficiency of recursive filtering. The resulting linear-Gaussian measurement model is learned in closed form from groundtruth training data, without iterative optimization or reliance on an explicit parametric sensor model. At inference, KILO-EKF performs a standard EKF update using Jacobians obtained via the learned lifting. We validate the approach on a real-world quadrotor localization task using an IMU, ultra-wideband (UWB) sensors, and a downward-facing laser. We compare against multiple EKF baselines with varying levels of sensor calibration. KILO-EKF achieves better accuracy and consistency compared to data-calibrated baselines, and significantly outperforms EKFs that rely on imperfect geometric models, while maintaining real-time inference and fast training. These results demonstrate the effectiveness of Koopman-inspired measurement learning as a scalable alternative to traditional model-based calibration.
- Abstract（参考訳）: 本研究では,Koopman-Inspireed Learned Observations Extended Kalman Filter (KILO-EKF)を提案する。
KILO-EKFは、状態が線形な特徴空間に測定値を持ち上げることで、再帰的なフィルタリングの構造と効率を維持しながら、複雑なまたは不適切な校正されたセンサーの柔軟なモデリングを可能にする。
得られた線形ガウス測度モデルは、反復的な最適化や明示的なパラメトリックセンサモデルに依存することなく、基底的トレーニングデータから閉形式で学習される。
KILO-EKFは、学習したリフトによって得られたヤコビアンを用いて標準的なEKF更新を行う。
IMU,ウルトラワイドバンド(UWB)センサ,および下向きレーザーを用いた実世界の四重極局在化タスクに対するアプローチを検証する。
センサキャリブレーションのレベルが異なる複数のEKFベースラインと比較した。
KILO-EKFは、データ校正ベースラインよりも精度と一貫性が向上し、リアルタイムの推論と高速トレーニングを維持しながら、不完全な幾何学モデルに依存するEKFよりも大幅に優れている。
これらの結果から,従来のモデルベースキャリブレーションの代替として,クープマンによる計測学習の有効性が示された。
関連論文リスト
- KD-EKF: Knowledge-Distilled Adaptive Covariance EKF for Robust UWB/PDR Indoor Localization [6.004649968619912]
屋内でのローカライゼーションは、センチメートルレベルの精度と低レイテンシを提供する。
非視界条件下では測定信頼性が著しく低下する。
慣性測定ユニット(IMU)をベースとしたPDR(Pedestrian Dead Reckoning)は,インフラストラクチャフリーな動作推定を提供する。
論文 参考訳（メタデータ） (2026-03-06T03:12:52Z) - FOREVER: Forgetting Curve-Inspired Memory Replay for Language Model Continual Learning [63.20028888397869]
FOREVER(FORgEtting curVe-inspired mEmory)は、リプレイスケジュールをモデル中心の時間の概念と整合させる新しいフレームワークである。
このアプローチに基づいて、ForeVERは、リプレイのタイミングを決定するための曲線ベースのリプレイスケジューラと、リプレイの方法を適応的に制御するインテンシティ対応の正規化機構を組み込んでいる。
論文 参考訳（メタデータ） (2026-01-07T13:55:14Z) - An Interpretable Operator-Learning Model for Electric Field Profile Reconstruction in Discharges Based on the EFISH Method [1.8159327527122784]
本研究では,性能が著しく向上した新しい機械学習モデルを提案する。
Decoder-DeepONet (DDON) と呼ばれるその主な強みは関数間マッピングの学習である。
ほぼ全てのケースにおいて、DDONモデルはより優れた一般化可能性、高い予測精度、より広い適用性を示す。
論文 参考訳（メタデータ） (2025-11-29T07:05:07Z) - Physically Interpretable Representation Learning with Gaussian Mixture Variational AutoEncoder (GM-VAE) [37.18249990338269]
本研究では,高次元科学的データから物理的に解釈可能な表現を抽出するための変分オートエンコーダ(GM-VAE)フレームワークを提案する。
再建とクラスタリングを協調的に最適化する従来のVAEとは異なり,本手法はブロック座標降下戦略を利用する。
学習した表現を客観的に評価するために,グラフ-ラプラシアン滑らか度に基づく計量を導入し,潜在多様体全体の物理的不安定性のコヒーレンスを測定する。
論文 参考訳（メタデータ） (2025-11-26T20:04:38Z) - Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。
生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
論文 参考訳（メタデータ） (2025-10-16T03:37:16Z) - Flow Matching for Efficient and Scalable Data Assimilation [11.620677508344981]
データ同化は、ノイズ観測から力学系の状態を推定する。
アンサンブルスコアフィルタ(EnSF)のような最近の生成モデルは、高次元非線形設定においてDAを改善するが、計算コストが高い。
本研究では,アンサンブルフローフィルタ(EnFF)を導入した。これはFMベースのフレームワークで,サンプリングを高速化し,フロー設計の柔軟性を提供する。
論文 参考訳（メタデータ） (2025-08-18T19:00:45Z) - FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。
拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。
少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
論文 参考訳（メタデータ） (2025-05-23T00:07:59Z) - KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。
我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。
我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
論文 参考訳（メタデータ） (2024-07-18T05:48:24Z) - 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) - Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳（メタデータ） (2023-06-14T11:41:42Z)
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。