論文の概要: Neural-Assisted in-Motion Self-Heading Alignment

• arxiv url: http://arxiv.org/abs/2604.00168v1
• Date: Tue, 31 Mar 2026 19:16:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.689016
• Title: Neural-Assisted in-Motion Self-Heading Alignment
• Title（参考訳）: ニューラルネットワークを用いた運動中のセルフヒーディングアライメント
• Authors: Zeev Yampolsky, Felipe O. Silva, Adriano Frutuoso, Itzik Klein,
• Abstract要約: 本稿では,初期方向推定のためのエンドツーエンド,モデルフリー,ニューラルネットワーク支援フレームワークを提案する。 提案手法では,モデルに基づくアプローチよりも精度が向上した。
• 参考スコア（独自算出の注目度）: 4.96981595868944
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous platforms operating in the oceans require accurate navigation to successfully complete their mission. In this regard, the initial heading estimation accuracy and the time required to achieve it play a critical role. The initial heading is traditionally estimated by model-based approaches employing orientation decomposition. However, methods such as the dual vector decomposition and optimized attitude decomposition achieve satisfactory heading accuracy only after long alignment times. To allow rapid and accurate initial heading estimation, we propose an end-to-end, model-free, neural-assisted framework using the same inputs as the model-based approaches. Our proposed approach was trained and evaluated on real-world dataset captured by an autonomous surface vehicle. Our approach shows a significant accuracy improvement over the model-based approaches achieving an average absolute error improvement of 53%. Additionally, our proposed approach was able to reduce the alignment time by up to 67%. Thus, by employing our proposed approach, the reduction in alignment time and improved accuracy allow for a shorter deployment time of an autonomous platform and increased navigation accuracy during the mission.
• Abstract（参考訳）: 海上で運用する自律プラットフォームでは、ミッションを成功させるために正確なナビゲーションが必要である。 この点において、初期向き推定精度と達成に必要な時間とが重要な役割を果たす。 最初の方向は、方向分解を用いたモデルに基づくアプローチによって伝統的に推定される。 しかし、双対ベクトル分解や最適化された姿勢分解のような手法は、長いアライメント時間後にのみ良好な方向精度が得られる。 高速かつ正確な初期方向推定を可能にするため,モデルベースアプローチと同じ入力を用いたエンドツーエンド,モデルフリー,ニューラルアシストフレームワークを提案する。 提案手法は,自律型表面積車両が取得した実世界のデータセットを用いて訓練し,評価した。 提案手法は,平均的な絶対誤差改善率53%を達成するモデルベースアプローチに対して,大幅な精度向上を示す。 さらに,提案手法によりアライメント時間を最大67%短縮することができた。 提案手法を用いることで、アライメント時間の短縮と精度の向上により、自律型プラットフォームの展開時間を短縮し、ミッション中のナビゲーション精度を向上することができる。

関連論文リスト

• Streaming Real-Time Trajectory Prediction Using Endpoint-Aware Modeling [54.94692733670454]
  近隣の交通機関の将来の軌道は、自動運転車の経路計画と意思決定に大きな影響を与えている。 本稿では,軽量かつ高精度なストリーミングベース軌道予測手法を提案する。 当社のアプローチは推論遅延を大幅に低減し、現実のデプロイメントに適しています。
  論文  参考訳（メタデータ） (2026-03-02T13:44:23Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Heterogeneous Self-Supervised Acoustic Pre-Training with Local Constraints [64.15709757611369]
  異種データを扱うための自己教師付き事前学習手法を提案する。 提案手法は、下流の教師付き微調整タスクに対する自己教師付き事前訓練モデルの適応性を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2025-08-27T15:48:50Z)
• Model-Agnostic AI Framework with Explicit Time Integration for Long-Term Fluid Dynamics Prediction [7.740582267221137]
  本稿では,データ駆動AR予測に適した2段階微分Adams-Bashforth法の最初の実装について紹介する。 我々は、異なる将来のステップの重要性を動的に調整する3つの新しい適応重み付け戦略を開発した。 本フレームワークは,平均二乗誤差を0.125から0.002に削減する350のステップを正確に予測する。
  論文  参考訳（メタデータ） (2024-12-07T14:02:57Z)
• Data-driven Probabilistic Trajectory Learning with High Temporal Resolution in Terminal Airspace [9.688760969026305]
  混合モデルとSeq2seqに基づくニューラルネットワークの予測および特徴抽出機能を活用するデータ駆動学習フレームワークを提案する。 このフレームワークでトレーニングした後、学習したモデルは長期予測精度を大幅に向上させることができる。 提案手法の精度と有効性は,予測された軌道と基礎的真実とを比較して評価する。
  論文  参考訳（メタデータ） (2024-09-25T21:08:25Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Dynamic Iterative Refinement for Efficient 3D Hand Pose Estimation [87.54604263202941]
  本稿では,従来の推定値の修正に部分的レイヤを反復的に活用する,小さなディープニューラルネットワークを提案する。 学習したゲーティング基準を用いて、ウェイトシェアリングループから抜け出すかどうかを判断し、モデルにサンプルごとの適応を可能にする。 提案手法は,広く使用されているベンチマークの精度と効率の両面から,最先端の2D/3Dハンドポーズ推定手法より一貫して優れている。
  論文  参考訳（メタデータ） (2021-11-11T23:31:34Z)
• Confidence Adaptive Anytime Pixel-Level Recognition [86.75784498879354]
  任意の時間推論は、いつでも停止される可能性のある予測の進行を行うモデルを必要とする。 我々は,任意のピクセルレベルの認識に対して,最初の統一とエンドツーエンドのモデルアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-01T20:01:57Z)
• Single upper limb pose estimation method based on improved stacked hourglass network [5.342260499725028]
  一人称ポーズ推定において高精度かつリアルタイムなパフォーマンスを実現することは困難である。 本稿では,エンド・ツー・エンドアプローチに基づく一人称上肢ポーズ推定手法を提案する。
  論文  参考訳（メタデータ） (2020-04-16T04:48:40Z)

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。