論文の概要: KISS-IMU: Self-supervised Inertial Odometry with Motion-balanced Learning and Uncertainty-aware Inference
- arxiv url: http://arxiv.org/abs/2603.06205v1
- Date: Fri, 06 Mar 2026 12:22:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.98955
- Title: KISS-IMU: Self-supervised Inertial Odometry with Motion-balanced Learning and Uncertainty-aware Inference
- Title（参考訳）: KISS-IMU:運動バランス学習と不確実性を考慮した自己教師型慣性オドメトリー
- Authors: Jiwon Choi, Hogyun Kim, Geonmo Yang, Juhui Lee, Younggun Cho,
- Abstract要約: 慣性測定ユニット(IMU)は、ロボットシステムにおける基本的なセンシングモダリティとして機能する。
我々は,新しい自己教師型慣性オドメトリーフレームワーク KISS-IMU を提案する。
提案手法は,運動認識バランストレーニングによるIMUの安定維持と,不確実性駆動適応重み付けによるIMUの強化という2つの重要な原則を具体化したものである。
- 参考スコア（独自算出の注目度）: 4.238724345383632
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Inertial measurement units (IMUs), which provide high-frequency linear acceleration and angular velocity measurements, serve as fundamental sensing modalities in robotic systems. Recent advances in deep neural networks have led to remarkable progress in inertial odometry. However, the heavy reliance on ground truth data during training fundamentally limits scalability and generalization to unseen and diverse environments. We propose KISS-IMU, a novel self-supervised inertial odometry framework that eliminates ground truth dependency by leveraging simple LiDAR-based ICP registration and pose graph optimization as a supervisory signal. Our approach embodies two key principles: keeping the IMU stable through motion-aware balanced training and keeping the IMU strong through uncertainty-driven adaptive weighting during inference. To evaluate performance across diverse motion patterns and scenarios, we conducted comprehensive experiments on various real-world platforms, including quadruped robots. Importantly, we train only the IMU network in a self-supervised manner, with LiDAR serving solely as a lightweight supervisory signal rather than requiring additional learnable processes. This design enables the framework to ensure robustness without relying on joint multi-modal learning or ground truth supervision. The supplementary materials are available at https://sparolab.github.io/research/kiss_imu.
- Abstract（参考訳）: 高周波線形加速度と角速度測定を提供する慣性測定ユニット(IMUs)は、ロボットシステムにおける基本的な感覚のモダリティとして機能する。
近年の深部神経回路の進歩は,慣性眼圧計の進歩に繋がった。
しかし、訓練中の地上の真実データへの強い依存は、基本的にスケーラビリティと一般化を目に見えない多様な環境に制限する。
我々は,簡単なLiDARベースのICP登録を活用し,グラフ最適化を補助信号として活用することにより,基礎的真理依存を解消する,新しい自己教師型慣性オドメトリーフレームワークであるKISS-IMUを提案する。
提案手法は,運動認識バランストレーニングによるIMUの安定維持と,推論中の不確実性駆動適応重み付けによるIMUの強化という2つの重要な原則を具体化したものである。
様々な動きのパターンやシナリオにまたがる性能を評価するため,四足歩行ロボットを含む実世界の様々なプラットフォームを対象とした総合的な実験を行った。
重要なことは、我々はIMUネットワークのみを自己監督的に訓練し、LiDARは学習可能な追加のプロセスを必要とするのではなく、軽量な監視信号としてのみ機能する。
この設計により、共同のマルチモーダル学習や地上の真理監督に頼ることなく、堅牢性を確保することができる。
追加資料はhttps://sparolab.github.io/research/kiss_imu.comで公開されている。
関連論文リスト
- ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。
我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。
その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
論文 参考訳（メタデータ） (2026-03-03T18:59:29Z) - RADAR: Revealing Asymmetric Development of Abilities in MLLM Pre-training [59.493415006017635]
事前訓練されたマルチモーダル大言語モデル(MLLM)は、ポストトレーニングのための知識豊富な基盤を提供する。
現在の評価は、厳格な追加トレーニングと自己回帰的復号コストを導入する、教師付き微調整後のテストに依存している。
MLLM pRe トレーニングにおける非対称性向上のための効率的な能力中心評価フレームワーク RADAR を提案する。
論文 参考訳（メタデータ） (2026-02-13T12:56:31Z) - From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。
メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
論文 参考訳（メタデータ） (2025-09-25T14:15:43Z) - Learning Robust Satellite Attitude Dynamics with Physics-Informed Normalising Flow [2.7222301668137483]
宇宙機の姿勢力学の学習に物理インフォームドニューラルネットワークを組み込むことの利点について検討する。
バシリスクシミュレータで生成されたシミュレーションデータに基づいて複数のモデルを訓練する。
PINNベースのモデルは、制御精度とロバスト性の観点から、純粋にデータ駆動モデルよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-08-11T10:50:49Z) - MoRe-ERL: Learning Motion Residuals using Episodic Reinforcement Learning [31.10756488629562]
MoRe-ERLは、エピソード強化学習(ERL)と残留学習を組み合わせたフレームワークである。
MoRe-ERLは、重要なタスクに関連する操作を保存しながら、修正を必要とする軌道セグメントを特定する。
B-Splineベースの運動プリミティブを用いてスムーズな残留調整を生成する。
論文 参考訳（メタデータ） (2025-08-02T15:28:11Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - Single-Trajectory Distributionally Robust Reinforcement Learning [21.955807398493334]
本研究では,分散ロバストRL (DRRL) を提案する。
既存のDRRLアルゴリズムはモデルベースか、1つのサンプル軌道から学習できないかのいずれかである。
単一軌道を用いた分散ロバストQ-ラーニング(DRQ)と呼ばれる,完全モデルフリーなDRRLアルゴリズムを設計する。
論文 参考訳（メタデータ） (2023-01-27T14:08:09Z) - Towards Scale-Aware, Robust, and Generalizable Unsupervised Monocular
Depth Estimation by Integrating IMU Motion Dynamics [74.1720528573331]
教師なし単眼深度と自我運動推定は近年広く研究されている。
我々は、視覚情報とIMUモーションダイナミクスを統合した新しいスケールアウェアフレームワークDynaDepthを提案する。
我々は、KITTIおよびMake3Dデータセット上で広範囲な実験とシミュレーションを行うことにより、DynaDepthの有効性を検証する。
論文 参考訳（メタデータ） (2022-07-11T07:50:22Z) - Towards Generalisable Deep Inertial Tracking via Geometry-Aware Learning [2.694262942445446]
慣性追跡は、一時的な不利な運用条件下で重要な役割を果たす。
慣性追跡は伝統的に(i)過度なエラーの増大に悩まされ、(ii)広範囲で面倒なチューニングを必要とした。
本稿では,従来の制限を克服した新しいディープラーニング慣性追跡システムDITを提案する。
論文 参考訳（メタデータ） (2021-06-29T08:50:23Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z)
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。