論文の概要: Denoising Particle Filters: Learning State Estimation with Single-Step Objectives

• arxiv url: http://arxiv.org/abs/2602.19651v1
• Date: Mon, 23 Feb 2026 09:53:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.757968
• Title: Denoising Particle Filters: Learning State Estimation with Single-Step Objectives
• Title（参考訳）: 粒子フィルタのノイズ化:単一ステップ対象物による状態推定の学習
• Authors: Lennart Röstel, Berthold Bäuml,
• Abstract要約: 本研究では,個々の状態遷移からモデルを訓練する新しい粒子フィルタリングアルゴリズムを提案する。 シミュレーションにおけるロボット状態推定タスクの課題に対する提案手法の評価を行った。
• 参考スコア（独自算出の注目度）: 2.320417845168326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning-based methods commonly treat state estimation in robotics as a sequence modeling problem. While this paradigm can be effective at maximizing end-to-end performance, models are often difficult to interpret and expensive to train, since training requires unrolling sequences of predictions in time. As an alternative to end-to-end trained state estimation, we propose a novel particle filtering algorithm in which models are trained from individual state transitions, fully exploiting the Markov property in robotic systems. In this framework, measurement models are learned implicitly by minimizing a denoising score matching objective. At inference, the learned denoiser is used alongside a (learned) dynamics model to approximately solve the Bayesian filtering equation at each time step, effectively guiding predicted states toward the data manifold informed by measurements. We evaluate the proposed method on challenging robotic state estimation tasks in simulation, demonstrating competitive performance compared to tuned end-to-end trained baselines. Importantly, our method offers the desirable composability of classical filtering algorithms, allowing prior information and external sensor models to be incorporated without retraining.
• Abstract（参考訳）: 学習に基づく手法は、ロボット工学における状態推定をシーケンスモデリング問題として扱うのが一般的である。 このパラダイムはエンドツーエンドのパフォーマンスを最大化するのに有効であるが、モデルの解釈が困難で、トレーニングにコストがかかる場合が多い。 エンド・ツー・エンドのトレーニング状態推定の代替として,ロボットシステムにおけるマルコフ特性を完全に活用し,個々の状態遷移からモデルがトレーニングされる新しい粒子フィルタリングアルゴリズムを提案する。 このフレームワークでは,測度マッチングの目的を最小化することにより,暗黙的に測定モデルを学習する。 推論において、学習されたデノイザは、(学習された)力学モデルとともに、各時間ステップでベイズフィルタ方程式を近似的に解くために使用され、予測された状態を測定によって情報を得たデータ多様体に向けて効果的に導く。 シミュレーションにおけるロボット状態推定タスクの課題に対する提案手法の評価を行い、調整したエンドツーエンドのトレーニングベースラインと比較して競争性能を実証した。 重要なこととして,本手法は従来のフィルタリングアルゴリズムの好適な構成性を提供し,事前情報や外部センサモデルを再学習せずに組み込むことができる。

関連論文リスト

• Reinforcement learning based data assimilation for unknown state model [3.032674692886751]
  本研究では,強化学習とアンサンブルに基づくベイジアン・ファルトリング手法を組み合わせた新しい手法を提案する。 提案フレームワークは, 非線形および部分観測計測モデルを含む, 幅広い観測シナリオに対応している。 いくつかの数値的な例では,提案手法は高次元設定における精度とロバスト性を向上することを示した。
  論文  参考訳（メタデータ） (2025-11-04T05:58:37Z)
• Topological Approach for Data Assimilation [0.4972323953932129]
  トポロジカルデータ解析の基礎となる新しいデータ同化アルゴリズムを提案する。 パーシステンス関数の微分可能性を活用することにより、勾配勾配最適化は、測定と予測予測の間の位相的差を最小限に抑えるために用いられる。
  論文  参考訳（メタデータ） (2024-11-12T20:24:46Z)
• Semi-Supervised Model-Free Bayesian State Estimation from Compressed Measurements [57.04370580292727]
  圧縮測定によるベイズ状態の推定について考察する。 時間的測定ベクトルの寸法は、推定される時間的状態ベクトルの寸法よりも小さい。 状態の進化の基盤となる力学モデルは「モデルフリープロセス」では未知数である。
  論文  参考訳（メタデータ） (2024-07-10T05:03:48Z)
• Particle-Based Score Estimation for State Space Model Learning in Autonomous Driving [62.053071723903834]
  マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。 粒子法を用いて最大形パラメータを学習することを検討する。 自動運転車から収集した実データに本手法を適用した。
  論文  参考訳（メタデータ） (2022-12-14T01:21:05Z)
• LEARNEST: LEARNing Enhanced Model-based State ESTimation for Robots using Knowledge-based Neural Ordinary Differential Equations [4.3403382998035624]
  本研究では、状態推定アルゴリズムで用いられる力学モデルを強化することにより、ロボットシステムの正確な状態推定を行うタスクについて考察する。 動的モデルの強化と推定精度の向上のために,知識ベースニューラル常微分方程式(KNODE)と呼ばれるディープラーニングフレームワークを利用する。 提案する LEARNEST フレームワークでは,データ駆動モデルと KNODE-MHE と KNODE-UKF の2つの新しいモデルベース状態推定アルゴリズムを統合する。
  論文  参考訳（メタデータ） (2022-09-16T22:16:40Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Learning Dynamics from Noisy Measurements using Deep Learning with a Runge-Kutta Constraint [9.36739413306697]
  そこで本研究では,雑音と疎サンプルを用いた微分方程式の学習手法について論じる。 我々の方法論では、ディープニューラルネットワークと古典的な数値積分法の統合において、大きな革新が見られる。
  論文  参考訳（メタデータ） (2021-09-23T15:43:45Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• End-To-End Semi-supervised Learning for Differentiable Particle Filters [15.187145925738553]
  ニューラルネットワークを粒子フィルタに組み込むことの最近の進歩は、実世界のアプリケーションに粒子フィルタを適用するために望ましい柔軟性を提供する。 このようなモデルを最適化する過去の努力は、実際に入手したり利用できなくなったりするのに費用がかかる真の状態の知識を必要とすることが多い。 本研究では,実状態の大部分が未知である場合の状態を推定し,擬似的様相関数の最大化に基づくエンドツーエンド学習目標を提案する。
  論文  参考訳（メタデータ） (2020-11-11T13:10:11Z)

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。