論文の概要: Model-Based and Neural-Aided Approaches for Dog Dead Reckoning

• arxiv url: http://arxiv.org/abs/2603.07582v1
• Date: Sun, 08 Mar 2026 10:47:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.058046
• Title: Model-Based and Neural-Aided Approaches for Dog Dead Reckoning
• Title（参考訳）: モデルに基づくニューラル支援による犬のデッドレコンディング
• Authors: Gal Versano, Itai Savin, Itzik Klein,
• Abstract要約: 慣性センサのみを用いた正確な位置決めのための3つのアルゴリズムを提案する。 提案手法はモデルに基づくアプローチより一貫して優れており,絶対誤差は10%未満である。 生体用および脚用両方のロボット犬に対して軽量で低コストな位置決めソリューションを提供する。
• 参考スコア（独自算出の注目度）: 4.913013713982677
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern canine applications span medical and service roles, while robotic legged dogs serve as autonomous platforms for high-risk industrial inspection, disaster response, and search and rescue operations. For both, accurate positioning remains a significant challenge due to the cumulative drift inherent in inertial sensing. To bridge this gap, we propose three algorithms for accurate positioning using only inertial sensors, collectively referred to as dog dead reckoning (DDR). To evaluate our approaches, we designed DogMotion, a wearable unit for canine data recording. Using DogMotion, we recorded a dataset of 13 minutes. Additionally, we utilized a robotic legged dog dataset with a duration of 116 minutes. Across the two distinct datasets we demonstrate that our neural-aided methods consistently outperform model-based approaches, achieving an absolute distance error of less than 10\%. Consequently, we provide a lightweight and low-cost positioning solution for both biological and legged robotic dogs. To support reproducibility, our codebase and associated datasets have been made publicly available.
• Abstract（参考訳）: 現代のイヌの応用は医療とサービスの役割にまたがっており、ロボット脚の犬は高リスク産業検査、災害対応、捜索救助活動のための自律的なプラットフォームとして機能している。 どちらも、慣性センシングに固有の累積ドリフトのため、正確な位置決めは依然として重要な課題である。 このギャップを埋めるために,慣性センサのみを用いて正確な位置決めを行う3つのアルゴリズムを提案する。 犬用データ記録のためのウェアラブルユニットであるDogMotionを設計した。 DogMotionを使って、13分間のデータセットを記録しました。 さらに,ロボット脚付き犬のデータセットを116分間使用した。 2つの異なるデータセットを通して、我々のニューラルネットワーク手法はモデルベースのアプローチを一貫して上回り、絶対距離誤差が10倍未満であることを示す。 そこで我々は,ロボット犬と脚ロボット犬の両方に軽量で低コストな位置決めソリューションを提供する。 再現性をサポートするため、コードベースと関連するデータセットが公開されています。

関連論文リスト

• STEP: Simultaneous Tracking and Estimation of Pose for Animals and Humans [14.144097766150395]
  本稿では,トランスフォーマーに基づく識別予測モデルを用いて,多様な動物種と人間のポーズの同時追跡と推定を行う新しいフレームワークSTEPを紹介する。 当社のアプローチでは,トラッキング機能のため,フレーム単位のターゲット検出には依存していません。 実験では,既存手法と比較して優れた結果が得られ,様々な応用への扉が開けられた。
  論文  参考訳（メタデータ） (2025-03-17T16:22:00Z)
• UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
  UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。 本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
  論文  参考訳（メタデータ） (2023-07-03T04:10:55Z)
• Deep learning-based approaches for human motion decoding in smart walkers for rehabilitation [3.8791511769387634]
  スマートウォーカーは、できるだけ早く人間の動きとニーズをデコードできなければならない。 現在の歩行者はウェアラブルや組込みセンサーの情報を用いて動きの意図を復号する。 早期の動作認識・検出問題として人間の動作復号化に対処する非接触アプローチを提案する。
  論文  参考訳（メタデータ） (2023-01-13T14:29:44Z)
• Learning 3D Human Pose Estimation from Dozens of Datasets using a Geometry-Aware Autoencoder to Bridge Between Skeleton Formats [80.12253291709673]
  本稿では,アフィン結合型オートエンコーダ(ACAE)法を提案する。 このアプローチは、28人の人間のポーズデータセットを使って1つのモデルを監督する、極端なマルチデータセット体制にスケールします。
  論文  参考訳（メタデータ） (2022-12-29T22:22:49Z)
• Video-based Person Re-identification without Bells and Whistles [49.51670583977911]
  ビデオベースの人物再識別(Re-ID)は、異なるカメラの下で歩行者を特定するために、ビデオトラッカーとトリミングされたビデオフレームをマッチングすることを目的としている。 従来の方法による不完全な検出と追跡の結果から, 収穫したトラックレットの空間的, 時間的不整合が生じている。 本稿では,深層学習に基づくトラックレットの検出と追跡を適用することで,これらの予期せぬノイズを効果的に低減できる簡易な再検出リンク(DL)モジュールを提案する。
  論文  参考訳（メタデータ） (2021-05-22T10:17:38Z)
• AcinoSet: A 3D Pose Estimation Dataset and Baseline Models for Cheetahs in the Wild [51.35013619649463]
  我々はAcinoSetと呼ばれる野生のフリーランニングチーターの広範なデータセットを提示する。 データセットには、119,490フレームのマルチビュー同期高速ビデオ映像、カメラキャリブレーションファイル、7,588フレームが含まれている。 また、結果の3D軌道、人間チェックされた3D地上真実、およびデータを検査するインタラクティブツールも提供される。
  論文  参考訳（メタデータ） (2021-03-24T15:54:11Z)
• Understanding Self-Training for Gradual Domain Adaptation [107.37869221297687]
  段階的なドメイン適応は、対象領域へ徐々にシフトするラベルのないデータのみを与えられたソースドメインで訓練された初期分類器を適応させることが目的である。 目標領域への直接適応が非有界誤差をもたらすような設定下において、段階的なシフトを伴う自己学習の誤差に対する最初の非無空上界を証明した。 この理論解析はアルゴリズムの洞察を導き、無限のデータを持つ場合でも正規化とラベルのシャープ化が不可欠であることを強調し、より小さなワッサーシュタイン無限距離のシフトに対して自己学習が特にうまく働くことを示唆している。
  論文  参考訳（メタデータ） (2020-02-26T08:59:40Z)
• Machine learning approaches for identifying prey handling activity in otariid pinnipeds [12.814241588031685]
  本稿では,アザラシの捕食行動の同定に焦点をあてる。 考慮すべきデータは、アザラシに直接取り付けられたデバイスによって収集された3D加速度計と深度センサーのストリームである。 機械学習(ML)アルゴリズムに基づく自動モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-10T15:30:08Z)
• Radioactive data: tracing through training [130.2266320167683]
  本稿では,このデータセットに認識不能な変化を生じさせる新しい手法であるEmphradioactive dataを提案する。 訓練されたモデルにより, 放射能データの利用を検知し, 信頼度(p-値)のレベルを提供する。 提案手法はディープネットワーク最適化におけるデータ拡張とバックドア性に対して堅牢である。
  論文  参考訳（メタデータ） (2020-02-03T18:41:08Z)

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。