論文の概要: Proprioceptive-only State Estimation for Legged Robots with Set-Coverage Measurements of Learned Dynamics

• arxiv url: http://arxiv.org/abs/2603.18308v1
• Date: Wed, 18 Mar 2026 21:48:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.966017
• Title: Proprioceptive-only State Estimation for Legged Robots with Set-Coverage Measurements of Learned Dynamics
• Title（参考訳）: 学習ダイナミクスのセットキャバレッジ測定による脚ロボットの受動的状態推定
• Abstract要約: プロプリオセプティブのみの状態推定は、計算的に安価であり、知覚的に劣化した条件の影響を受けないため、脚付きロボットにとって魅力的である。 近年のアプローチでは、ガウス雑音仮定の下で、これらの推定を学習された測定モデルを用いて生成し、IMUデータと融合する。 本研究では,任意の分布を仮定しない集合被覆文を用いて測定ノイズを特徴付けるフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.713910967779935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Proprioceptive-only state estimation is attractive for legged robots since it is computationally cheaper and is unaffected by perceptually degraded conditions. The history of joint-level measurements contains rich information that can be used to infer the dynamics of the system and subsequently produce navigational measurements. Recent approaches produce these estimates with learned measurement models and fuse with IMU data, under a Gaussian noise assumption. However, this assumption can easily break down with limited training data and render the estimates inconsistent and potentially divergent. In this work, we propose a proprioceptive-only state estimation framework for legged robots that characterizes the measurement noise using set-coverage statements that do not assume any distribution. We develop a practical and computationally inexpensive method to use these set-coverage measurements with a Gaussian filter in a systematic way. We validate the approach in both simulation and two real-world quadrupedal datasets. Comparison with the Gaussian baselines shows that our proposed method remains consistent and is not prone to drift under real noise scenarios.
• Abstract（参考訳）: プロプリオセプティブのみの状態推定は、計算的に安価であり、知覚的に劣化した条件の影響を受けないため、脚付きロボットにとって魅力的である。 ジョイントレベル測定の歴史には、システムのダイナミクスを推測し、その後ナビゲーション計測を作成するために使用できる豊富な情報が含まれている。 近年のアプローチでは、ガウス雑音仮定の下で、これらの推定を学習された測定モデルを用いて生成し、IMUデータと融合する。 しかし、この仮定は限られたトレーニングデータで簡単に分解でき、見積もりが矛盾し、潜在的に分岐する可能性がある。 本研究では,本研究で提案する脚型ロボットの主観的状態推定フレームワークについて,任意の分布を仮定しない集合被覆文を用いて,計測ノイズを特徴付ける。 我々は,ガウスフィルタを用いて,これらの集合被覆測定を体系的に利用するための,実用的で低コストな手法を開発した。 シミュレーションと実世界の2つの四面体データセットでそのアプローチを検証する。 ガウス基底線と比較すると,提案手法は一貫性が保たれ,実際の騒音シナリオ下ではドリフトしにくいことが分かる。

関連論文リスト

• Local Conformal Calibration of Dynamics Uncertainty from Semantic Images [11.10792616622245]
  観測対応コンフォーマル不確実性局所校正(OCular)について紹介する。 OCcularは、認識情報を用いて不確実な定量化を保証する共形予測に基づくアルゴリズムである。 ランダムな摂動と有意なモデルミスマッチを考慮した二重積分器システムにおいて,本アルゴリズムの有効性を検証した。
  論文  参考訳（メタデータ） (2026-05-13T05:33:42Z)
• Convolutional Maximum Mean Discrepancy for Inference in Noisy Data [10.176012052682072]
  既知分布から潜在的に異方性雑音によって劣化したサンプルを推論するための新しい枠組みを提案する。 測定誤差の影響を受けない有限サンプル偏差境界を確立し、ノイズ下での試験とカーネルの平滑化の等価性を証明した。 本稿では,天文学と社会科学のシミュレーションと応用を通して,我々のアプローチの実践的効果を実証する。
  論文  参考訳（メタデータ） (2026-04-13T20:06:41Z)
• Denoising Particle Filters: Learning State Estimation with Single-Step Objectives [2.320417845168326]
  本研究では,個々の状態遷移からモデルを訓練する新しい粒子フィルタリングアルゴリズムを提案する。 シミュレーションにおけるロボット状態推定タスクの課題に対する提案手法の評価を行った。
  論文  参考訳（メタデータ） (2026-02-23T09:53:23Z)
• Robust Filtering -- Novel Statistical Learning and Inference Algorithms with Applications [0.0]
  状態推定は、自動運転車、ロボット工学、医療監視、スマートグリッド、インテリジェントトランスポート、予測保守などのアプリケーションにおけるインテリジェントな意思決定を可能にするための基本的なタスクである。 標準フィルタリングはノイズ統計の事前知識を前提としてノイズセンサデータから潜時状態の抽出を行う。 現実のシナリオは、外れ値、偏見、漂流、未知あるいは部分的に知られている統計の欠如といった異常を伴い、従来のアプローチを制限している。 この論文は、これらの課題を軽減するために、新しい頑健な非線形フィルタリング法を示す。
  論文  参考訳（メタデータ） (2025-06-13T07:30:35Z)
• DynaNoise: Dynamic Probabilistic Noise Injection for Defending Against Membership Inference Attacks [6.610581923321801]
  会員推論攻撃(MIA)は、トレーニングデータセットのプライバシーに重大なリスクをもたらす。 従来の緩和技術は、トレーニングや推論中に一定量のノイズを注入することに依存している。 問合せ感度に基づいて動的にノイズ注入を変調する適応型アプローチであるDynaNoiseを提案する。
  論文  参考訳（メタデータ） (2025-05-19T17:07:00Z)
• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Data value estimation on private gradients [84.966853523107]
  勾配に基づく機械学習(ML)法では、デファクト微分プライバシー技術がランダムノイズで勾配を乱している。 データバリュエーションは、トレーニングデータにMLのパフォーマンスを特性付け、DPの強制を必要とするプライバシーに配慮したアプリケーションで広く使用されている。 我々は,データ値推定の不確かさをパラドックス的に線形に評価し,評価予算を増大させるため,勾配に不規則な雑音を注入するというデフォルトのアプローチを伴わないことを示す。 提案手法は, 予測の不確実性の線形化を確実に除去するために, 慎重に相関ノイズを注入することである。
  論文  参考訳（メタデータ） (2024-12-22T13:15:51Z)
• Semi-Supervised Model-Free Bayesian State Estimation from Compressed Measurements [57.04370580292727]
  圧縮測定によるベイズ状態の推定について考察する。 時間的測定ベクトルの寸法は、推定される時間的状態ベクトルの寸法よりも小さい。 状態の進化の基盤となる力学モデルは「モデルフリープロセス」では未知数である。
  論文  参考訳（メタデータ） (2024-07-10T05:03:48Z)
• Noise-mitigated randomized measurements and self-calibrating shadow estimation [0.0]
  ランダム化測定の誤差軽減手法を導入し,ロバストなシャドウ推定手法を提案する。 実用面では, 量子実験と同じセッションを用いて, 誤差緩和と影推定を行うことができることを示す。
  論文  参考訳（メタデータ） (2024-03-07T18:53:56Z)
• Rapid Bayesian identification of sparse nonlinear dynamics from scarce and noisy data [2.3018169548556977]
  我々はベイジアンフレームワーク内でSINDy法をリキャストし、ガウス近似を用いて計算を高速化する。 ベイジアン・シンディは推定したパラメータの不確かさを定量化するが、限られたノイズのあるデータから正しいモデルを学ぶ際にもより堅牢である。
  論文  参考訳（メタデータ） (2024-02-23T14:41:35Z)
• A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
  本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。 一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T23:31:25Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• TraDE: Transformers for Density Estimation [101.20137732920718]
  TraDEは自己回帰密度推定のための自己アテンションに基づくアーキテクチャである。 本稿では, 生成したサンプルを用いた回帰, 分布外検出, トレーニングデータにおける雑音に対する頑健性などのタスクについて述べる。
  論文  参考訳（メタデータ） (2020-04-06T07:32:51Z)

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。