論文の概要: Bayesian Learning-Enhanced Navigation with Deep Smoothing for Inertial-Aided Navigation
- arxiv url: http://arxiv.org/abs/2603.25364v1
- Date: Thu, 26 Mar 2026 12:11:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-27 20:52:48.278135
- Title: Bayesian Learning-Enhanced Navigation with Deep Smoothing for Inertial-Aided Navigation
- Title（参考訳）: 慣性支援ナビゲーションのための深い平滑化によるベイズ学習強化ナビゲーション
- Authors: Nadav Cohen, Itzik Klein,
- Abstract要約: BLENDSはデータ駆動のポストプロセッシングフレームワークで、トランスフォーマーベースのニューラルネットワークによって従来の2フィルタスムーズな拡張を行う。
BLENDSは、ベースライン前方EKFよりも最大63%の水平位置改善を実現している。
- 参考スコア（独自算出の注目度）: 8.510813384980262
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate post-processing navigation is essential for applications such as survey and mapping, where the full measurement history can be exploited to refine past state estimates. Fixed-interval smoothing algorithms represent the theoretically optimal solution under Gaussian assumptions. However, loosely coupled INS/GNSS systems fundamentally inherit the systematic position bias of raw GNSS measurements, leaving a persistent accuracy gap that model-based smoothers cannot resolve. To address this limitation, we propose BLENDS, which integrates Bayesian learning with deep smoothing to enhance navigation performance. BLENDS is a a data-driven post-processing framework that augments the classical two-filter smoother with a transformer-based neural network. It learns to modify the filter covariance matrices and apply an additive correction to the smoothed error-state directly within the Bayesian framework. A novel Bayesian-consistent loss jointly supervises the smoothed mean and covariance, enforcing minimum-variance estimates while maintaining statistical consistency. BLENDS is evaluated on two real-world datasets spanning a mobile robot and a quadrotor. Across all unseen test trajectories, BLENDS achieves horizontal position improvements of up to 63% over the baseline forward EKF.
- Abstract（参考訳）: 正確な後処理ナビゲーションは、過去の状態推定を洗練させるために、完全な計測履歴を活用できるサーベイやマッピングのようなアプリケーションに不可欠である。
固定区間平滑化アルゴリズムはガウスの仮定の下で理論上最適な解を表す。
しかし、疎結合なINS/GNSSシステムは、生のGNSS測定の体系的な位置バイアスを根本的に継承し、モデルベーススムーサが解決できないような持続的な精度のギャップを残している。
この制限に対処するために,ベイズ学習と深い平滑化を統合し,ナビゲーション性能を向上させるBLENDSを提案する。
BLENDSはデータ駆動のポストプロセッシングフレームワークで、トランスフォーマーベースのニューラルネットワークによって従来の2フィルタスムーズな処理を強化している。
フィルタ共分散行列を修正し、ベイズフレームワーク内の滑らかな誤差状態に加法的補正を適用することを学ぶ。
新たなベイズ連続損失はスムーズな平均と共分散を共同で監督し、統計的一貫性を維持しながら最小分散推定を強制する。
BLENDSは、移動ロボットと四輪車にまたがる2つの現実世界のデータセットで評価される。
BLENDSは未確認の試験軌道全体にわたって、ベースライン前方EKFよりも最大63%の水平位置改善を実現している。
関連論文リスト
- Diff-GNSS: Diffusion-based Pseudorange Error Estimation [4.275603853123926]
グローバル・ナビゲーション・サテライト・システムズ(GNSS)は、信頼できる都市の位置決めに不可欠である。
マルチパスと非線形受信は、しばしば精度を低下させる大きな測定誤差をもたらす。
擬似乱数誤差を予測・補償する学習手法が注目されているが,その性能は複雑な誤差分布によって制限されている。
Diff-GNSSは,条件付き拡散モデルを用いて複雑な分布を捕捉する粗粒度測定(擬似サテライト)の誤差推定フレームワークである。
論文 参考訳（メタデータ） (2025-09-22T06:57:06Z) - Sample Margin-Aware Recalibration of Temperature Scaling [20.87493013833571]
近年のディープラーニングの進歩は予測精度を大幅に改善した。
現代のニューラルネットワークは体系的に過信され、安全クリティカルなシナリオに展開するリスクを生じさせる。
本稿では,上位2つのロジット間のマージンに基づいて,ロジットを正確にスケールする軽量でデータ効率の高いリカバリ手法を提案する。
論文 参考訳（メタデータ） (2025-06-30T03:35:05Z) - Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。
非滑らかな正規化はしばしば機械学習タスクに組み込まれる。
本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-04-17T08:32:25Z) - Gaussian Process Regression for Improved Underwater Navigation [13.221163846643607]
ドップラー速度ログ(DVL)は通常、速度測定によってこのドリフトを緩和するために使用される。
本稿では、DVL速度推定を改善するために、多出力ガウス過程回帰(MOGPR)に基づくデータ駆動方式を提案する。
提案手法を実世界のAUVデータを用いて評価し,LSと最先端のディープラーニングモデルであるBeamsNetと比較した。
論文 参考訳（メタデータ） (2025-02-23T09:13:41Z) - Towards Continual Learning Desiderata via HSIC-Bottleneck
Orthogonalization and Equiangular Embedding [55.107555305760954]
本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。
提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
論文 参考訳（メタデータ） (2024-01-17T09:01:29Z) - SchurVINS: Schur Complement-Based Lightweight Visual Inertial Navigation System [8.017085402991189]
フィルタに基づく新しいVINSフレームワークであるSchurVINSを提案する。
完全な残差モデルを構築し、計算複雑性を低くすることで、高い精度を保証できる。
EuRoC および TUM-VI データセットを用いた実験により,本手法は精度と計算複雑性の両方において,最先端(SOTA) 手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2023-12-04T04:14:09Z) - Revisiting Rotation Averaging: Uncertainties and Robust Losses [51.64986160468128]
現在の手法の主な問題は、推定エピポーラを通して入力データと弱い結合しか持たない最小コスト関数である。
本稿では,点対応から回転平均化への不確実性を直接伝播させることにより,基礎となる雑音分布をモデル化することを提案する。
論文 参考訳（メタデータ） (2023-03-09T11:51:20Z) - Enhanced Laser-Scan Matching with Online Error Estimation for Highway
and Tunnel Driving [0.0]
Lidarデータは、自動運転車やモバイルロボットプラットフォームのナビゲーションのためのポイントクラウドを生成するために使用できる。
本稿では,2つの新しい改良点を提供するスキャンマッチングアルゴリズムであるIterative Closest Ellipsoidal Transform (ICET)を提案する。
論文 参考訳（メタデータ） (2022-07-29T13:42:32Z) - Adaptive Self-supervision Algorithms for Physics-informed Neural
Networks [59.822151945132525]
物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。
これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。
モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
論文 参考訳（メタデータ） (2022-07-08T18:17:06Z) - Pushing the Envelope of Rotation Averaging for Visual SLAM [69.7375052440794]
視覚SLAMシステムのための新しい最適化バックボーンを提案する。
従来の単分子SLAMシステムの精度, 効率, 堅牢性を向上させるために, 平均化を活用している。
我々のアプローチは、公開ベンチマークの最先端技術に対して、同等の精度で最大10倍高速に表示することができる。
論文 参考訳（メタデータ） (2020-11-02T18:02:26Z) - Evaluating Prediction-Time Batch Normalization for Robustness under
Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。
予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。
この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文 参考訳（メタデータ） (2020-06-19T05:08:43Z)
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。