論文の概要: SODA-CitrON: Static Object Data Association by Clustering Multi-Modal Sensor Detections Online

• arxiv url: http://arxiv.org/abs/2602.22243v1
• Date: Tue, 24 Feb 2026 12:38:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.719206
• Title: SODA-CitrON: Static Object Data Association by Clustering Multi-Modal Sensor Detections Online
• Title（参考訳）: SODA-CitrON: オンラインマルチモーダルセンサ検出をクラスタリングした静的物体データアソシエーション
• Authors: Jan Nausner, Kilian Wohlleben, Michael Hubner,
• Abstract要約: オンラインのマルチモーダルセンサ検出(SODA-CitrON)をクラスタリングして静的オブジェクトデータアソシエーションを実現する手法を提案する。 提案した教師なし機械学習アプローチは、完全にオンライン的に動作し、時間的に無相関かつマルチセンサー計測を処理する。 提案手法をモンテカルロシミュレーションのシナリオで評価し,最先端手法と比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The online fusion and tracking of static objects from heterogeneous sensor detections is a fundamental problem in robotics, autonomous systems, and environmental mapping. Although classical data association approaches such as JPDA are well suited for dynamic targets, they are less effective for static objects observed intermittently and with heterogeneous uncertainties, where motion models provide minimal discriminative with respect to clutter. In this paper, we propose a novel method for static object data association by clustering multi-modal sensor detections online (SODA-CitrON), while simultaneously estimating positions and maintaining persistent tracks for an unknown number of objects. The proposed unsupervised machine learning approach operates in a fully online manner and handles temporally uncorrelated and multi-sensor measurements. Additionally, it has a worst-case loglinear complexity in the number of sensor detections while providing full output explainability. We evaluate the proposed approach in different Monte Carlo simulation scenarios and compare it against state-of-the-art methods, including Bayesian filtering, DBSTREAM clustering, and JPDA. The results demonstrate that SODA-CitrON consistently outperforms the compared methods in terms of F1 score, position RMSE, MOTP, and MOTA in the static object mapping scenarios studied.
• Abstract（参考訳）: 不均一なセンサ検出による静的物体のオンライン融合と追跡は、ロボット工学、自律システム、環境マッピングの基本的な問題である。 JPDAのような古典的データアソシエーションアプローチは動的対象に適しているが、間欠的に観測される静的な物体や不均一な不確実性に対しては効果が低い。 本稿では,複数モーダルセンサ検出をオンライン(SODA-CitrON)にクラスタリングし,同時に位置を推定し,未知数のオブジェクトに対して永続的なトラックを維持することによって,静的なオブジェクトデータアソシエーションを実現する手法を提案する。 提案した教師なし機械学習アプローチは、完全にオンライン的に動作し、時間的に無相関かつマルチセンサー計測を処理する。 さらに、センサ検出の回数が最悪で、完全な出力説明性を提供しています。 提案手法をモンテカルロシミュレーションのシナリオで評価し,ベイズフィルタ,DBSTREAMクラスタリング,JPDAなどの最先端手法と比較した。 その結果,SODA-Citronは静的オブジェクトマッピングのシナリオにおいて,F1スコア,位置RMSE,MOTP,MOTAで比較した手法よりも一貫して優れていた。

関連論文リスト

• 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)
• An Efficient Anomaly Detection Framework for Wireless Sensor Networks Using Markov Process [2.5777932046298786]
  1次マルコフ連鎖モデルに基づく軽量かつ解釈可能な異常検出フレームワークが提案されている。 提案したフレームワークは、Intel Berkeley Research Labデータセットを使用して検証された。
  論文  参考訳（メタデータ） (2025-11-01T10:19:00Z)
• Diffuse to Detect: A Generalizable Framework for Anomaly Detection with Diffusion Models Applications to UAVs and Beyond [2.4449457537548036]
  UAVセンサーの読み取りなどの複雑な高次元データにおける異常検出は、運用上の安全性に不可欠である。 本稿では,拡散モデルを適用して異常検出を行うDiffuse to Detect(DTD)フレームワークを提案する。 DTDは1ステップの拡散プロセスを用いてノイズパターンを予測し、再構成エラーのない異常の迅速かつ正確な同定を可能にする。
  論文  参考訳（メタデータ） (2025-10-27T02:08:08Z)
• Formal Controller Synthesis for Markov Jump Linear Systems with Uncertain Dynamics [64.72260320446158]
  マルコフジャンプ線形系に対する制御器の合成法を提案する。 本手法は,MJLSの離散(モードジャンピング)と連続(確率線形)の両方の挙動を捉える有限状態抽象化に基づいている。 本手法を複数の現実的なベンチマーク問題,特に温度制御と航空機の配送問題に適用する。
  論文  参考訳（メタデータ） (2022-12-01T17:36:30Z)
• Modular Multi Target Tracking Using LSTM Networks [0.0]
  本稿では,センサ計測を用いた航空機目標追尾システムに対する自由端対端手法を提案する。 提案したモジュールブロックは、多数のトラッキングアプリケーションで独立して訓練および使用することができる。
  論文  参考訳（メタデータ） (2020-11-16T15:58:49Z)
• Real-World Anomaly Detection by using Digital Twin Systems and Weakly-Supervised Learning [3.0100975935933567]
  本稿では, 産業環境における異常検出に対する弱い制御手法を提案する。 これらのアプローチでは、Digital Twinを使用して、機械の通常の動作をシミュレートするトレーニングデータセットを生成する。 提案手法の性能を,実世界のデータセットに応用した様々な最先端の異常検出アルゴリズムと比較した。
  論文  参考訳（メタデータ） (2020-11-12T10:15:56Z)
• SoDA: Multi-Object Tracking with Soft Data Association [75.39833486073597]
  マルチオブジェクトトラッキング(MOT)は、自動運転車の安全な配備の前提条件である。 観測対象間の依存関係をエンコードするトラック埋め込みの計算に注目するMOTに対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-08-18T03:40:25Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。