論文の概要: Neural Aided Adaptive Innovation-Based Invariant Kalman Filter

• arxiv url: http://arxiv.org/abs/2603.26709v1
• Date: Tue, 17 Mar 2026 20:32:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:13.095597
• Title: Neural Aided Adaptive Innovation-Based Invariant Kalman Filter
• Title（参考訳）: ニューラルネットワークによる適応的革新に基づく不変カルマンフィルタ
• Authors: Barak Diker, Itzik Klein,
• Abstract要約: 生慣性データから直接プロセスノイズ共分散パラメータを推定するニューラルネットワークを提案する。 ドメイン適応を通じてsim2realフレームワークで完全にトレーニングされたこのネットワークは、実世界のラベル付きデータを必要とせずに、モーション依存およびセンサ依存のノイズ特性をキャプチャする。
• 参考スコア（独自算出の注目度）: 6.037383467521294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous platforms require accurate positioning to complete their tasks. To this end, a Kalman filter-based algorithms, such as the extended Kalman filter or invariant Kalman filter, utilizing inertial and external sensor fusion are applied. To cope with real-world scenarios, adaptive noise estimation methods have been developed primarily for classical Euclidean formulations. However, these methods remain largely unexplored in the tangent Lie space, despite it provides a principled geometric framework with favorable error dynamics on Lie groups. To fill this gap, we combine invariant filtering theory with neural-aided adaptive noise estimation in real-world settings. To this end, we derive a novel theoretical extension of classical innovation-based process noise adaptation formulated directly within the Lie-group framework. We further propose a lightweight neural network that estimates the process noise covariance parameters directly from raw inertial data. Trained entirely in a sim2real framework via domain adaptation, the network captures motion-dependent and sensor-dependent noise characteristics without requiring labeled real-world data. To examine our proposed neural-aided adaptive invariant Kalman filter, we focus on the challenging real-world scenario of autonomous underwater navigation. Experimental results demonstrate superior performance compared to existing methods in terms of position root mean square error. These results validate our sim2real pipeline and further confirm that geometric invariance significantly enhances learning-based adaptation and that adaptive noise estimation in the tangent Lie space offers a powerful mechanism for improving navigation accuracy in nonlinear autonomous platforms.
• Abstract（参考訳）: 自律的なプラットフォームは、タスクを完了するために正確な位置決めを必要とします。 この目的のために、拡張カルマンフィルタや不変カルマンフィルタのようなカルマンフィルタに基づくアルゴリズムを適用し、慣性および外部センサ融合を利用する。 実世界のシナリオに対処するため、主に古典的ユークリッドの定式化のために適応雑音推定法が開発されている。 しかし、これらの手法は、リー群上の好ましい誤差ダイナミクスを持つ原理的幾何学的枠組みを提供するにもかかわらず、接リー空間においてほとんど探索されていないままである。 このギャップを埋めるために、実世界の環境における不変フィルタ理論とニューラルネットワークによる適応雑音推定を組み合わせる。 この目的のために,古典的革新に基づくプロセスノイズ適応の理論的拡張をLie-groupフレームワーク内で直接的に導出する。 さらに、生慣性データから直接プロセスノイズ共分散パラメータを推定する軽量ニューラルネットワークを提案する。 ドメイン適応を通じてsim2realフレームワークで完全にトレーニングされたこのネットワークは、実世界のラベル付きデータを必要とせずに、モーション依存およびセンサ依存のノイズ特性をキャプチャする。 提案するニューラルネットワーク適応型カルマンフィルタについて検討するために,自律型水中ナビゲーションの現実シナリオに着目した。 実験により, 位置根平均二乗誤差の点で既存の手法に比べ, 優れた性能を示した。 これらの結果は,我々のsim2realパイプラインを検証し,幾何学的不変性により学習に基づく適応が著しく向上し,接点リー空間における適応雑音推定が非線形自律プラットフォームにおけるナビゲーション精度を向上させる強力なメカニズムを提供することを示す。

関連論文リスト

• Efficient Real-Time Adaptation of ROMs for Unsteady Flows Using Data Assimilation [7.958594167693376]
  パラメータ化還元次数モデル(ROM)の効率的な再学習戦略を提案する。 この戦略は計算時間の一部を必要としながら、完全再訓練に匹敵する精度を得る。 力学系を考えると、アウト・オブ・サンプル予測における誤差の主な原因は、潜在多様体の歪みに起因することが示される。
  論文  参考訳（メタデータ） (2026-02-26T16:43:28Z)
• Differentiable Adaptive Kalman Filtering via Optimal Transport [23.40376181606577]
  OTAKNetは、学習ベースの適応カルマンフィルタリングにおけるノイズ統計のドリフトに対する最初のオンラインソリューションである。 OTAKNetと従来のモデルベース適応カルマンフィルタとオフライン学習ベースフィルタを比較した。
  論文  参考訳（メタデータ） (2025-08-09T16:36:33Z)
• State Estimation Using Particle Filtering in Adaptive Machine Learning Methods: Integrating Q-Learning and NEAT Algorithms with Noisy Radar Measurements [0.8528368686417979]
  本稿では,Q-LearningとNEATを統合化して,ノイズ測定の課題に対処する統合フレームワークを提案する。 グリッドベースのナビゲーションとシミュレートされた自動車環境の実験は、トレーニングの安定性、最終的なパフォーマンス、高度なフィルタリングを欠いたベースラインに対する成功率において、一貫した向上を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-04-10T02:20:45Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• 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)
• Variational Nonlinear Kalman Filtering with Unknown Process Noise Covariance [24.23243651301339]
  本稿では,近似ベイズ推定原理に基づく非線形状態推定とモデルパラメータの同定手法を提案する。 シミュレーションおよび実世界のデータを用いて,レーダ目標追尾法の性能を検証した。
  論文  参考訳（メタデータ） (2023-05-06T03:34:39Z)
• A Hybrid Model and Learning-Based Adaptive Navigation Filter [0.0]
  本稿では,ハイブリッドモデルと学習に基づく適応ナビゲーションフィルタを提案する。 提案手法は位置誤差が25%向上したことを示す。
  論文  参考訳（メタデータ） (2022-06-14T17:10:47Z)
• KalmanNet: Neural Network Aided Kalman Filtering for Partially Known Dynamics [84.18625250574853]
  KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。 我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
  論文  参考訳（メタデータ） (2021-07-21T12:26:46Z)
• Neural Kalman Filtering [62.997667081978825]
  カルマンフィルタの勾配差近似は,差分重み付き予測誤差を持つ局所計算のみを必要とすることを示す。 また、同じスキームの下では、ヘビアン可塑性に直接対応する学習規則で動的モデルを適応的に学習することが可能であることを示す。
  論文  参考訳（メタデータ） (2021-02-19T16:43:15Z)

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。