論文の概要: Decentralized Cooperative Localization for Multi-Robot Systems with Asynchronous Sensor Fusion

• arxiv url: http://arxiv.org/abs/2603.12075v1
• Date: Thu, 12 Mar 2026 15:42:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.726682
• Title: Decentralized Cooperative Localization for Multi-Robot Systems with Asynchronous Sensor Fusion
• Title（参考訳）: 非同期センサフュージョンを用いたマルチロボットシステムの分散協調的位置決め
• Authors: Nivand Khosravi, Niusha Khosravi, Mohammad Bozorg, Masoud S. Bahraini,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.4316181399175028
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decentralized cooperative localization (DCL) is a promising approach for nonholonomic mobile robots operating in GPS-denied environments with limited communication infrastructure. This paper presents a DCL framework in which each robot performs localization locally using an Extended Kalman Filter, while sharing measurement information during update stages only when communication links are available and companion robots are successfully detected by LiDAR. The framework preserves cross-correlation consistency among robot state estimates while handling asynchronous sensor data with heterogeneous sampling rates and accommodating accelerations during dynamic maneuvers. Unlike methods that require pre-aligned coordinate systems, the proposed approach allows robots to initialize with arbitrary reference-frame orientations and achieves automatic alignment through transformation matrices in both the prediction and update stages. To improve robustness in feature-sparse environments, we introduce a dual-landmark evaluation framework that exploits both static environmental features and mobile robots as dynamic landmarks. The proposed framework enables reliable detection and feature extraction during sharp turns, while prediction accuracy is improved through information sharing from mutual observations. Experimental results in both Gazebo simulation and real-world basement environments show that DCL outperforms centralized cooperative localization (CCL), achieving a 34% reduction in RMSE, while the dual-landmark variant yields an improvement of 56%. These results demonstrate the applicability of DCL to challenging domains such as enclosed spaces, underwater environments, and feature-sparse terrains where conventional localization methods are ineffective.
• Abstract（参考訳）: 分散協調型ローカライゼーション (DCL) は, 限られた通信インフラを持つGPSデニド環境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,各ロボットが拡張カルマンフィルタを用いて局所的なローカライズを行うためのDCLフレームワークを提案する。 このフレームワークは、動的操作中に、異種サンプリングレートで非同期センサデータを処理し、加速度を調節しながら、ロボット状態推定間の相互相関一貫性を保っている。 事前整合座標系を必要とする手法とは異なり、提案手法は任意の参照フレーム配向を初期化でき、予測および更新段階の両方において変換行列による自動整合を実現する。 特徴分散環境におけるロバスト性を改善するために,静的環境特徴と移動ロボット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。 提案フレームワークは,相互観測からの情報共有によって予測精度が向上する一方,シャープターン時の信頼性の高い検出と特徴抽出を可能にする。 ガゼボシミュレーションと実世界の地下環境の両方の実験結果から、DCLは中央集権的協調的局所化(CCL)より優れ、RMSEは34%減少し、デュアルランドマークは56%改善した。 これらの結果は,従来の局所化手法が不有効である,密閉空間,水中環境,特徴空間といった課題領域へのDCLの適用性を示すものである。

関連論文リスト

• DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
  本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。 DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
  論文  参考訳（メタデータ） (2026-03-16T02:02:38Z)
• 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)
• Hybrid Motion Planning with Deep Reinforcement Learning for Mobile Robot Navigation [0.0]
  深部強化学習(HMP-DRL)によるハイブリッド運動計画 状態空間と報酬関数の両方に符号化されたチェックポイントのシーケンスを通じて、局所DRLポリシーに統合されたパスを生成するグラフベースのグローバルプランナを提案する。 社会的コンプライアンスを確保するため、地域プランナーは、周辺エージェントのセマンティックタイプに基づいて、安全マージンと罰則を動的に調整するエンティティ対応報酬構造を採用する。
  論文  参考訳（メタデータ） (2025-12-31T05:58:57Z)
• Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
  本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。 生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。 数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
  論文  参考訳（メタデータ） (2025-11-21T07:25:49Z)
• Semi-distributed Cross-modal Air-Ground Relative Localization [11.828259485114598]
  ロボット相対的ローカライゼーションの現在のアプローチは、分散マルチロボットSLAMシステムという形で主に実現されている。 我々は、複数のセンサーを統合するために、無人地上車両(UGV)の容量を十分に活用する。 この研究において、UGVと無人航空機(UAV)は独立してSLAMを行い、深層学習に基づくキーポイントとグローバルディスクリプタを抽出した。
  論文  参考訳（メタデータ） (2025-11-10T06:28:31Z)
• Accurate Cooperative Localization Utilizing LiDAR-equipped Roadside Infrastructure for Autonomous Driving [2.0499240875882]
  LiDARは、センチメートルレベルの精度で車両のローカライズを容易にする。 これらの高精度な手法は、識別可能なマップ機能を持たない環境での信頼性上の課題に直面することが多い。 本稿では,道路側ユニット(RSU)と車両間通信(V2I)を併用して車両の自己位置決定を支援する手法を提案する。
  論文  参考訳（メタデータ） (2024-07-11T10:44:42Z)
• SoGAR: Self-supervised Spatiotemporal Attention-based Social Group Activity Recognition [45.419756454791674]
  本稿では,自己教師型トランスフォーマーを用いた社会グループ活動(SoGAR)の新たなアプローチを提案する。 我々の目的は、対照的な視点から抽出された特徴が、自己時間領域間で一貫していることを保証する。 提案手法は, 3つのグループアクティビティ認識ベンチマークにおいて, 最先端の結果を得た。
  論文  参考訳（メタデータ） (2023-04-27T03:41:15Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)
• Distributed Visual-Inertial Cooperative Localization [32.49338004445954]
  マルチロボット協調ローカリゼーション(CL)のための一貫性のある分散状態推定器を提案する。 特に、共分散交叉(CI)を活用して、各ロボットが自身の状態と自己共分散だけを追跡できるようにする。 提案した分散CL推定器は,シミュレーションと実世界の実験の両方において,非実時間集中型に対して有効である。
  論文  参考訳（メタデータ） (2021-03-23T18:12:07Z)
• Domain Adaptive Robotic Gesture Recognition with Unsupervised Kinematic-Visual Data Alignment [60.31418655784291]
  本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。 ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。 その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
  論文  参考訳（メタデータ） (2021-03-06T09:10:03Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。