論文の概要: Adaptive Learned State Estimation based on KalmanNet

• arxiv url: http://arxiv.org/abs/2604.02441v1
• Date: Thu, 02 Apr 2026 18:12:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.165626
• Title: Adaptive Learned State Estimation based on KalmanNet
• Title（参考訳）: KalmanNetに基づく適応学習状態推定
• Authors: Arian Mehrfard, Bharanidhar Duraisamy, Stefan Haag, Florian Geiss, Mirko Mählisch,
• Abstract要約: Adaptive Multi-modal KalmanNet (AM-KNet)は、マルチセンサーの自律運転環境に合わせたKalmanNetの進化である。 AM-KNetはセンサ固有の計測モジュールを導入し、レーダー、ライダー、カメラのノイズ特性を独立して学習する。 その結果,KalmanNetに比べて推定精度と追跡安定性が向上した。
• 参考スコア（独自算出の注目度）: 0.38290014221246177
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hybrid state estimators that combine model-based Kalman filtering with learned components have shown promise on simulated data, yet their performance on real-world automotive data remains insufficient. In this work we present Adaptive Multi-modal KalmanNet (AM-KNet), an advancement of KalmanNet tailored to the multi-sensor autonomous driving setting. AM-KNet introduces sensor-specific measurement modules that enable the network to learn the distinct noise characteristics of radar, lidar, and camera independently. A hypernetwork with context modulation conditions the filter on target type, motion state, and relative pose, allowing adaptation to diverse traffic scenarios. We further incorporate a covariance estimation branch based on the Josephs form and supervise it through negative log-likelihood losses on both the estimation error and the innovation. A comprehensive, component-wise loss function encodes physical priors on sensor reliability, target class, motion state, and measurement flow consistency. AM-KNet is trained and evaluated on the nuScenes and View-of-Delft datasets. The results demonstrate improved estimation accuracy and tracking stability compared to the base KalmanNet, narrowing the performance gap with classical Bayesian filters on real-world automotive data.
• Abstract（参考訳）: モデルベースのKalmanフィルタと学習したコンポーネントを組み合わせたハイブリッド状態推定器は、シミュレーションデータに対して有望であることを示しているが、実際の自動車データ上でのパフォーマンスは依然として不十分である。 本稿では,適応型マルチモーダルカルマンネット(AM-KNet)について述べる。 AM-KNetはセンサ固有の計測モジュールを導入し、レーダー、ライダー、カメラのノイズ特性を独立して学習する。 コンテキスト変調条件のハイパーネットワークは、ターゲットタイプ、動作状態、相対的なポーズのフィルタであり、多様なトラフィックシナリオに適応することができる。 さらに、ジョセフ形式に基づく共分散推定枝を組み込み、その推定誤差と革新性の両方において負の対数類似損失を通してそれを監督する。 総合的、コンポーネント単位の損失関数は、センサーの信頼性、ターゲットクラス、動作状態、測定フローの整合性に関する物理的優先順位を符号化する。 AM-KNetはnuScenesとView-of-Delftデータセットでトレーニングされ、評価される。 その結果,KalmanNetに比べて推定精度と追跡安定性が向上し,実世界の自動車データに対する古典的ベイズフィルタの性能ギャップが狭くなった。

関連論文リスト

• 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)
• Q-Net: Transferable Queue Length Estimation via Kalman-based Neural Networks [16.815532601851217]
  信号化された交差点で待ち行列の長さを推定することは、トラフィック管理の課題である。 本稿では,待ち行列長推定のためのデータ効率・解釈可能なフレームワークであるQ-Netを紹介する。 Q-Netは2つの広く利用可能なプライバシフレンドリーなデータソースを統合している。
  論文  参考訳（メタデータ） (2025-09-29T12:51:08Z)
• Performance Evaluation of Deep Learning-Based State Estimation: A Comparative Study of KalmanNet [0.26665679188139185]
  KF(Kalman Filters)は、リアルタイム状態推定アプリケーションの基本である。 本研究では,1つの代表的なモデルであるKalmanNetを,実環境下での性能を評価するために,自動車レーダデータに基づいて選定・評価した。 その結果、KalmanNetはIMMフィルタよりも優れており、KalmanNetのようなデータ駆動型メソッドは有望であるが、現在の信頼性と堅牢性の欠如は安全クリティカルなアプリケーションには不適であることを示した。
  論文  参考訳（メタデータ） (2024-11-25T20:59:14Z)
• Federated Data-Driven Kalman Filtering for State Estimation [49.40531019551957]
  本稿では,協調学習やフェデレート学習のパラダイムに基づく,新たなローカライゼーションフレームワークを提案する。 我々は、従来の拡張カルマンフィルタの基盤となるシステム不確実性を推定することを目的とした、リカレントニューラルネットワークであるKalmanNetの標準的なアプローチに基づいて構築する。 FedKalmanNetは、関連するシステム不確実性行列を推定することにより、各車両が自身をローカライズするために使用される。
  論文  参考訳（メタデータ） (2024-11-06T16:18:33Z)
• Towards better traffic volume estimation: Jointly addressing the underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
  本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。 上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-10T02:22:33Z)
• Split-KalmanNet: A Robust Model-Based Deep Learning Approach for SLAM [101.32324781612172]
  SLAMは、未知の環境の地図を構築し、地図上の移動エージェントの位置を同時にローカライズする手法である。 拡張カルマンフィルタ(EKF)は、オンラインSLAMの低複雑性ソリューションとして広く採用されている。 スプリットカルマンネット(Split-KalmanNet)と呼ばれるオンラインSLAMにおいて,ディープラーニングのパワーを用いた頑健なEKFアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-10-18T07:10:38Z)
• Unsupervised Learned Kalman Filtering [84.18625250574853]
  教師なし適応は、KalmanNetのハイブリッドモデルベース/データ駆動アーキテクチャを活用することで達成される。 我々は、ノイズ統計が未知の場合、教師なしのKalmanNetが教師なし学習でKalmanNetと同じような性能を達成することを数値的に示す。
  論文  参考訳（メタデータ） (2021-10-18T04:04:09Z)
• 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)

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。