論文の概要: Robust Cooperative Localization in Featureless Environments: A Comparative Study of DCL, StCL, CCL, CI, and Standard-CL
- arxiv url: http://arxiv.org/abs/2603.09886v3
- Date: Thu, 12 Mar 2026 15:49:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:42.168823
- Title: Robust Cooperative Localization in Featureless Environments: A Comparative Study of DCL, StCL, CCL, CI, and Standard-CL
- Title（参考訳）: DCL, StCL, CCL, CI, Standard-CLの比較検討
- Abstract要約: 協調ローカライゼーション(CL)は,GPSを用いたマルチロボットシステムにおいて,正確な位置推定を可能にする。
本稿では,5つのCLアプローチの比較研究について述べる。
すべての手法はROSで実装され、モンテカルロシミュレーションにより弱いデータアソシエーションとロバスト検出という2つの条件下で評価される。
- 参考スコア（独自算出の注目度）: 2.3646560222366695
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cooperative localization (CL) enables accurate position estimation in multi-robot systems operating in GPS-denied environments. This paper presents a comparative study of five CL approaches: Centralized Cooperative Localization (CCL), Decentralized Cooperative Localization (DCL), Sequential Cooperative Localization (StCL), Covariance Intersection (CI), and Standard Cooperative Localization (Standard-CL). All methods are implemented in ROS and evaluated through Monte Carlo simulations under two conditions: weak data association and robust detection. Our analysis reveals fundamental trade-offs among the methods. StCL and Standard-CL achieve the lowest position errors but exhibit severe filter inconsistency, making them unsuitable for safety-critical applications. DCL demonstrates remarkable stability under challenging conditions due to its measurement stride mechanism, which provides implicit regularization against outliers. CI emerges as the most balanced approach, achieving near-optimal consistency while maintaining competitive accuracy. CCL provides theoretically optimal estimation but shows sensitivity to measurement outliers. These findings offer practical guidance for selecting CL algorithms based on application requirements.
- Abstract（参考訳）: 協調ローカライゼーション(CL)は,GPSを用いたマルチロボットシステムにおいて,正確な位置推定を可能にする。
本稿では、CCL(Central Cooperative Localization)、DCL(Decentralized Cooperative Localization)、StCL(Sequential Cooperative Localization)、CI(Covariance Intersection)、Standard-CL(Standard-CL)の5つのCLアプローチの比較検討を行った。
すべての手法はROSで実装され、モンテカルロシミュレーションにより弱いデータアソシエーションとロバスト検出という2つの条件下で評価される。
分析の結果,本手法の基本的なトレードオフが明らかになった。
StCLとStandard-CLは最低位置誤差を達成しているが、フィルタの不整合を示すため、安全クリティカルなアプリケーションには適さない。
DCLは、異常値に対する暗黙の正則化を提供する測定ストライド機構により、挑戦的な条件下で顕著な安定性を示す。
CIは最もバランスの取れたアプローチとして登場し、競争の正確さを維持しながら、ほぼ最適の一貫性を達成する。
CCLは理論上最適な推定を提供するが、測定値の外れ値に対する感度を示す。
これらの結果は,アプリケーション要求に基づいてCLアルゴリズムを選択するための実用的なガイダンスを提供する。
関連論文リスト
- OmniISR: A Unified Framework for Centralized and Federated Learning via Intermediate Supervision and Regularization [58.03221830946145]
我々は、純粋なCL、純粋なFL、ハイブリッドCL-FLトレーニングモードを融合する統合フレームワークであるOmniISRを提案する。
我々は,OmniISRが集中型パラダイムとフェデレーション型パラダイムの両方において,モデル性能を一貫して改善していることを示す。
論文 参考訳（メタデータ） (2026-05-19T04:13:27Z) - Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
マルチモーダル学習は、しばしば低品質データの課題に悩まされる。
コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。
私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
論文 参考訳（メタデータ） (2026-05-05T14:48:52Z) - Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。
グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。
特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
論文 参考訳（メタデータ） (2026-04-20T16:43:28Z) - Integrated cooperative localization of heterogeneous measurement swarm: A unified data-driven method [19.08193262173557]
異種ロボットシステムにおける協調的局所化問題について検討した。
データ駆動型適応RL推定器は、不均一および一方向の測定を扱うために最初に開発された。
次に、分散ポーズ結合型CL戦略を設計し、CLを弱連結な指向性測定トポロジーの下で保証する。
論文 参考訳（メタデータ） (2026-03-05T08:28:15Z) - Conflict-Driven Clause Learning with VSIDS Heuristics for Discrete Facility Layout [0.0]
本稿では,コンフリクト駆動型クローズラーニング(CDCL)とDSを個別の施設レイアウト問題に対する計算エンジンとして用いることを検討した。
レイアウト実現のためのCNFベースの定式化を開発し,CDCLベースのSAT解とCPSATおよびMILPの定式化を比較した。
論文 参考訳（メタデータ） (2025-12-19T20:03:37Z) - Hyperparameters in Continual Learning: A Reality Check [50.784080714897776]
連続学習(CL)は、可塑性(新しいタスクを学ぶ)と安定性(事前知識を保持する)のトレードオフをバランスしながら、一連のタスクでモデルを訓練することを目的としている。
論文 参考訳（メタデータ） (2024-03-14T03:13:01Z) - RecDCL: Dual Contrastive Learning for Recommendation [65.6236784430981]
本稿では、RecDCLという2つのコントラスト学習推薦フレームワークを提案する。
RecDCLでは、FCLの目的は、ユーザとイテムの正のペアに対する冗長なソリューションを排除することである。
BCLの目的は、表現の堅牢性を高めるために出力ベクトルにコントラスト埋め込みを生成するために利用される。
論文 参考訳（メタデータ） (2024-01-28T11:51:09Z) - In-context Learning and Gradient Descent Revisited [3.085927389171139]
トレーニングされていないモデルでさえ、ICLを提示していないにもかかわらず、同等のICL-GD類似度スコアが得られることを示す。
次に、ICLとGDのモデル全体にわたる情報の流れにおける大きな相違について検討し、これをレイヤ因果性(Layer Causality)と呼ぶ。
本稿では,階層因果関係を尊重する単純なGDに基づく最適化手法を提案する。
論文 参考訳（メタデータ） (2023-11-13T21:42:38Z) - Bayes risk CTC: Controllable CTC alignment in Sequence-to-Sequence tasks [63.189632935619535]
予測アライメントの望ましい特性を強制するためにベイズリスクCTC(BRCTC)を提案する。
BRCTCを他の早期排出の選好と組み合わせることで、オンラインモデルの性能・遅延トレードオフが改善される。
論文 参考訳（メタデータ） (2022-10-14T03:55:36Z) - Theoretical Analysis of Primal-Dual Algorithm for Non-Convex Stochastic
Decentralized Optimization [29.256192419727444]
分散学習は、大規模な機械学習だけでなく、プライバシの保護にも強力なツールとして登場した。
分散学習における重要な課題の1つは、各ノードが保持するデータ分布が統計的に不均一であることである。
論文 参考訳（メタデータ） (2022-05-23T09:50:57Z) - Optimality-based Analysis of XCSF Compaction in Discrete Reinforcement
Learning [4.9444321684311925]
本稿では,新しい圧縮アルゴリズム(Greedy Niche Mass Compaction - GNMC)を導入する。
その結果、GNMCは適切なパラメトリエーションを施すと、機能近似誤差をわずかに改善する一方、人口規模は著しく減少することがわかった。
このメトリクスを迷路のような環境でよく使われるステップ・ツー・ゴールのメトリクスにリンクし、メトリクスが競合するよりも補完的であるかを説明します。
論文 参考訳（メタデータ） (2020-09-03T06:31:43Z)
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。