論文の概要: Distributed Kalman--Consensus Filtering with Adaptive Uncertainty Weighting for Multi-Object Tracking in Mobile Robot Networks

• arxiv url: http://arxiv.org/abs/2603.11328v1
• Date: Wed, 11 Mar 2026 21:41:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.699202
• Title: Distributed Kalman--Consensus Filtering with Adaptive Uncertainty Weighting for Multi-Object Tracking in Mobile Robot Networks
• Title（参考訳）: 移動ロボットネットワークにおける多物体追跡のための適応的不確かさ重み付き分散カルマンフィルタ
• Authors: Niusha Khosravi, Rodrigo Ventura, Meysam Basiri,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.536160127321797
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents an implementation and evaluation of a Distributed Kalman--Consensus Filter (DKCF) for Multi-Object Tracking (MOT) in mobile robot networks operating under partial observability and heterogeneous localization uncertainty. A key challenge in such systems is the fusion of information from agents with differing localization quality, where frame misalignment can lead to inconsistent estimates, track duplication, and ghost tracks. To address this issue, we build upon the MOTLEE framework and retain its frame-alignment methodology, which uses consistently tracked dynamic objects as transient landmarks to improve relative pose estimates between robots. On top of this framework, we propose an uncertainty-aware adaptive consensus weighting mechanism that dynamically adjusts the influence of neighbor information based on the covariance of the transmitted estimates, thereby reducing the impact of unreliable data during distributed fusion. Local tracking is performed using a Kalman Filter (KF) with a Constant Velocity Model (CVM) and Global Nearest Neighbor (GNN) data association. simulation results demonstrate that adaptive weighting effectively protects local estimates from inconsistent data, yielding a MOTA improvement of 0.09 for agents suffering from localization drift, although system performance remains constrained by communication latency.
• Abstract（参考訳）: 本稿では,移動ロボットネットワークにおける多対象追跡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、異なるローカライゼーション品質のエージェントからの情報の融合であり、フレームのミスアライメントが不整合推定、トラック重複、ゴーストトラックにつながる可能性がある。 この問題に対処するために、我々はMOTLEEフレームワークを構築し、そのフレームアライメント手法を維持し、ロボット間の相対的なポーズ推定を改善するために、一貫した追跡された動的オブジェクトをトランジェントなランドマークとして使用する。 この枠組みの上に,送信された推定値の共分散に基づいて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し,分散融合時の信頼できないデータの影響を低減する。 局所追跡は、定数速度モデル(CVM)とGNN(Global Nearest Neighbor)データアソシエーションを備えたカルマンフィルタ(KF)を用いて行われる。 シミュレーションの結果、適応重み付けは局所推定を一貫性のないデータから効果的に保護することを示した。

関連論文リスト

• Decentralized Cooperative Localization for Multi-Robot Systems with Asynchronous Sensor Fusion [0.4316181399175028]
  分散協調型ローカライゼーションは,GPSを用いた環境下で動作する非ホロノミック移動ロボットにとって有望なアプローチである。 本稿では,拡張カルマンフィルタを用いて,各ロボットが局所的なローカライズを行うフレームワークを提案する。 また、静的環境特徴と移動ロボットの両方を動的ランドマークとして活用するデュアルランドマーク評価フレームワークを導入する。
  論文  参考訳（メタデータ） (2026-03-12T15:42:59Z)
• AdaptNC: Adaptive Nonconformity Scores for Uncertainty-Aware Autonomous Systems in Dynamic Environments [7.201566646241765]
  コンフォーマル予測法は、コンフォーマル閾値を適応的にスケーリングすることで目標範囲を維持する。 この固定幾何は, 環境が構造変化を起こすと, 極めて保守的で, 容積非効率な予測領域につながることを示す。 非整合スコアパラメータと整合しきい値の両方をオンライン化するためのフレームワークである textbfAdaptNC を提案する。
  論文  参考訳（メタデータ） (2026-02-02T04:41:35Z)
• The power of dynamic causality in observer-based design for soft sensor applications [0.7965327033045845]
  本稿では,動的因果解析により観測者に基づくソフトセンサを最適化するための新しい枠組みを提案する。 センサ選択への伝統的なアプローチは、複雑なシステムの時間的進化を捉えるのに失敗する線形化された可観測性指数や統計的相関に依存することが多い。
  論文  参考訳（メタデータ） (2025-09-14T16:27:58Z)
• Backscatter Device-aided Integrated Sensing and Communication: A Pareto Optimization Framework [59.30060797118097]
  統合センシング・通信(ISAC)システムは、密集した都市非視線シナリオにおいて大きな性能劣化に遭遇する可能性がある。 本稿では,自然環境に分散した受動的BDを利用した後方散乱近似(BD)支援ISACシステムを提案する。
  論文  参考訳（メタデータ） (2025-07-12T17:11:06Z)
• Secure Cluster-Based Hierarchical Federated Learning in Vehicular Networks [10.177917426690701]
  本稿では,クラスタベースのHFLアーキテクチャにおいて,動的車両選択とロバストな異常検出を統合した新しいフレームワークを提案する。 異常検出は、モデル更新におけるZスコアとコサイン類似性分析を組み合わせて、モデル更新における統計的外れ値と方向ずれの両方を識別する。 提案アルゴリズムは, 1ホップおよび3ホップのトポロジのベンチマーク手法と比較して, 収束時間を大幅に短縮することを示す。
  論文  参考訳（メタデータ） (2025-05-02T11:01:00Z)
• Secure Hierarchical Federated Learning in Vehicular Networks Using Dynamic Client Selection and Anomaly Detection [10.177917426690701]
  階層的フェデレートラーニング(HFL)は、車両ネットワークにおける敵または信頼できない車両の課題に直面している。 本研究では,動的車両選択とロバストな異常検出機構を統合した新しい枠組みを提案する。 提案アルゴリズムは,強烈な攻撃条件下においても顕著なレジリエンスを示す。
  論文  参考訳（メタデータ） (2024-05-25T18:31:20Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
  Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。 ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
  論文  参考訳（メタデータ） (2021-03-18T08:47:56Z)

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。