論文の概要: Environment-Aware Learning of Smooth GNSS Covariance Dynamics for Autonomous Racing

• arxiv url: http://arxiv.org/abs/2602.21366v2
• Date: Thu, 05 Mar 2026 07:02:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.686208
• Title: Environment-Aware Learning of Smooth GNSS Covariance Dynamics for Autonomous Racing
• Title（参考訳）: 自律走行用スムースGNSS共分散ダイナミクスの環境認識学習
• Authors: Y. Deemo Chen, Arion Zimmermann, Thomas A. Berrueta, Soon-Jo Chung,
• Abstract要約: 我々は,測定共分散の時間的ダイナミクスを直接モデル化できる学習ベースのフレームワーク LACE を開発した。 AV-24自律レースカーに対する我々のアプローチを検証し、ローカライゼーション性能の向上とよりスムーズな共分散推定を実証した。
• 参考スコア（独自算出の注目度）: 6.1051905803719295
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ensuring accurate and stable state estimation is a challenging task crucial to safety-critical domains such as high-speed autonomous racing, where measurement uncertainty must be both adaptive to the environment and temporally smooth for control. In this work, we develop a learning-based framework, LACE, capable of directly modeling the temporal dynamics of GNSS measurement covariance. We model the covariance evolution as an exponentially stable dynamical system where a deep neural network (DNN) learns to predict the system's process noise from environmental features through an attention mechanism. By using contraction-based stability and systematically imposing spectral constraints, we formally provide guarantees of exponential stability and smoothness for the resulting covariance dynamics. We validate our approach on an AV-24 autonomous racecar, demonstrating improved localization performance and smoother covariance estimates in challenging, GNSS-degraded environments. Our results highlight the promise of dynamically modeling the perceived uncertainty in state estimation problems that are tightly coupled with control sensitivity.
• Abstract（参考訳）: 高精度で安定した状態推定を保証することは、計測の不確実性が環境に適応し、制御のために時間的にスムーズでなければならない、高速自律レースのような安全クリティカルな領域にとって重要な課題である。 本研究では, GNSS 測定共分散の時間的ダイナミクスを直接モデル化できる学習ベースフレームワーク LACE を開発した。 我々は,共分散進化を,ディープニューラルネットワーク(DNN)が注意機構を通じて環境特徴からシステムのプロセスノイズを予測することを学習する指数関数的に安定な力学系としてモデル化する。 収縮に基づく安定性を用いて、スペクトル制約を体系的に課すことで、指数的安定性と結果の共分散ダイナミクスの滑らか性を保証する。 我々は,AV-24自律レースカーへのアプローチを検証し,GNSS劣化環境におけるローカライゼーション性能の向上と,よりスムーズな共分散推定を実証した。 その結果,制御感度と密結合した状態推定問題において,認識された不確かさを動的にモデル化する可能性を強調した。

関連論文リスト

• Intelligent Control of Differential Drive Robots Subject to Unmodeled Dynamics with EKF-based State Estimation [28.37226750522601]
  この研究は、リアプノフに基づく非線形コントローラと適応ネットワーク(ANN)を組み合わせた統一制御と状態推定フレームワークを導入する。 提案した制御器はニューラルネットワークの普遍近似特性を利用して未知の非線形性をリアルタイムでモデル化する。 堅牢な状態推定を保証するため、EKFは単分子、2D-LiDARおよびホイールエンコーダから慣性測定ユニット(IMU)とオドメトリーを融合させる。
  論文  参考訳（メタデータ） (2026-03-16T07:44:28Z)
• When Sensors Fail: Temporal Sequence Models for Robust PPO under Sensor Drift [64.37959940809633]
  時間的持続的なセンサ故障下でのPPOのロバスト性について検討する。 トランスフォーマーを用いたシーケンスポリシーは, センサ数が少ない場合でも高いリターンを保ちながら, 堅牢性, RNN, SSMよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2026-03-04T22:21:54Z)
• Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
  ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。 SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。 複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2026-02-01T12:56:10Z)
• LILAD: Learning In-context Lyapunov-stable Adaptive Dynamics Models [4.66260462241022]
  LILADは、安定性と適応性を共同で保証する、システム識別のための新しいフレームワークである。 我々は、LILADをベンチマーク自律システム上で評価し、適応性、堅牢性、非適応性のベースラインを予測精度で上回ることを示す。
  論文  参考訳（メタデータ） (2025-11-26T19:20:49Z)
• Stable-by-Design Neural Network-Based LPV State-Space Models for System Identification [6.5745172279769255]
  本稿では,潜在状態と内部スケジューリング変数を同時に学習するニューラルネットワークに基づく状態空間モデルを提案する。 状態遷移行列はシュールのパラメータ化によって安定であることが保証される。 提案するNN-SSは, ベンチマーク非線形システム上で評価され, モデルが古典的部分空間同定手法と一貫して一致するか, 上回っていることを示す。
  論文  参考訳（メタデータ） (2025-10-21T10:25:54Z)
• Designing Robust Software Sensors for Nonlinear Systems via Neural Networks and Adaptive Sliding Mode Control [2.884893167166808]
  本稿では,非線形力学系のためのソフトウェアセンサの設計手法を提案する。 明示的な変換や線形化に依存する従来のモデルベースオブザーバとは異なり、提案フレームワークはニューラルネットワークと適応スライディングモード制御(SMC)を統合している。 トレーニング手法は、物理に基づく制約としてシステムの制御方程式を活用することで、基底構造軌道にアクセスせずにオブザーバ合成を可能にする。
  論文  参考訳（メタデータ） (2025-07-09T13:06:58Z)
• 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)
• Recurrent Neural Network Controllers Synthesis with Stability Guarantees for Partially Observed Systems [6.234005265019845]
  本稿では、不確実な部分観測システムのための動的制御系として、リカレントニューラルネットワーク(RNN)の重要なクラスを考える。 本稿では、再パラメータ化空間における安定性条件を反復的に強制する計画的ポリシー勾配法を提案する。 数値実験により,本手法は,より少ないサンプルを用いて制御器の安定化を学習し,政策勾配よりも高い最終性能を達成することを示す。
  論文  参考訳（メタデータ） (2021-09-08T18:21:56Z)
• Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
  ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。 本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
  論文  参考訳（メタデータ） (2021-05-17T08:36:18Z)

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。