論文の概要: UNRIO: Uncertainty-Aware Velocity Learning for Radar-Inertial Odometry

• arxiv url: http://arxiv.org/abs/2604.13584v1
• Date: Wed, 15 Apr 2026 07:43:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.440337
• Title: UNRIO: Uncertainty-Aware Velocity Learning for Radar-Inertial Odometry
• Title（参考訳）: UNRIO:Radar-Inertial Odometryのための不確かさを意識した速度学習
• Authors: Jui-Te Huang, Tinashu Huang, Anthony Rowe, Michael Kaess,
• Abstract要約: UNRIOは、不確実性を認識したレーダー慣性オドメトリーシステムである。 生のmmWaveレーダーIQ信号から直接エゴ速度を推定する。
• 参考スコア（独自算出の注目度）: 16.577608323279662
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present UNRIO, an uncertainty-aware radar-inertial odometry system that estimates ego-velocity directly from raw mmWave radar IQ signals rather than processed point clouds. Existing radar-inertial odometry methods rely on handcrafted signal processing pipelines that discard latent information in the raw spectrum and require careful parameter tuning. To address this, we propose a transformer-based neural network built on the GRT architecture that processes the full 4-D spectral cube to predict body-frame velocity in two modes: a direct linear velocity estimate and a per-anglebin Doppler velocity map. The network is trained in three stages: geometric pretraining on LiDAR-projected depth, velocity or Doppler fine-tuning, and uncertainty calibration via negative log-likelihood loss, enabling it to produce uncertainty estimates alongside its predictions. These uncertainty estimates are propagated into a sliding-window pose graph that fuses radar velocity factors with IMU preintegration measurements. We train and evaluate UNRIO on the IQ1M dataset across diverse indoor environments with both forward and lateral motion patterns unseen during training. Our method achieves the lowest relative pose error on the majority of sequences, with particularly strong gains over classical DSP baselines on Lateral-motion trajectories where sparse point clouds degrade conventional velocity estimators.
• Abstract（参考訳）: 我々は,加工点雲ではなく,生のmmWaveレーダIQ信号から直接エゴ速度を推定する不確実性を考慮したレーダ慣性オドメトリーシステムUNRIOを提案する。 既存のレーダ慣性オドメトリー法は手作り信号処理パイプラインに依存しており、生スペクトルの潜伏情報を排除し、注意深くパラメータチューニングを必要とする。 そこで本研究では,GRTアーキテクチャをベースとしたトランスフォーマーベースニューラルネットワークを提案し,全4次元スペクトル立方体を処理し,直接線形速度推定とタングルビンドプラ速度マップの2つのモードでボディーフレーム速度を予測する。 ネットワークは、LiDARが投射した深さ、速度またはドップラー微調整の幾何学的事前訓練、負の対数線損失による不確実性校正の3段階で訓練され、予測とともに不確実性推定を生成することができる。 これらの不確実性推定は、IMU事前積分測定でレーダ速度係数を融合するスライドウインドウポーズグラフに伝播される。 我々は, IQ1Mデータセット上のUNRIOを, トレーニング中に見つからない前後の動作パターンで, 様々な屋内環境において訓練し, 評価する。 提案手法は,従来の速度推定器を劣化させる横方向運動軌道上での古典的DSPベースラインよりも,最も低い相対的ポーズ誤差を実現する。

関連論文リスト

• Pseudo Depth Meets Gaussian: A Feed-forward RGB SLAM Baseline [64.42938561167402]
  本稿では,3次元ガウス型SLAMとフィードフォワードリカレント予測モジュールを組み合わせたオンライン3次元再構成手法を提案する。 このアプローチは、遅いテスト時間の最適化を高速なネットワーク推論に置き換え、トラッキング速度を大幅に改善する。 提案手法は,最先端のSplaTAMと同等の性能を示しながら,追跡時間を90%以上削減する。
  論文  参考訳（メタデータ） (2025-08-06T16:16:58Z)
• Full waveform inversion with CNN-based velocity representation extension [4.255346660147713]
  フルウェーブフォームインバージョン(FWI)は、観測データとシミュレーションデータとの差を最小限にして速度モデルを更新する。 数値モデリングおよび不完全地震データ取得における離散化誤差は、隣接演算子を介して伝搬するノイズを導入することができる。 我々は、前方シミュレーションを実行する前に速度モデルを洗練するために畳み込みニューラルネットワーク(CNN)を用いる。 速度とネットワークパラメータの両方を更新するために、同じデータ不適合損失を使用して、自己教師付き学習手順を作成します。
  論文  参考訳（メタデータ） (2025-04-22T12:14:38Z)
• Machine Learning Estimation of Maximum Vertical Velocity from Radar [0.0]
  ストームアップドラフトは、対流とそれに伴う深刻な気象の危険に固有の重要性にもかかわらず、運用上の予測では利用できないままである。 衛星画像からトップエリアをオーバーシュートするようなアップドラフトプロキシは、厳しい天候の危険性に結びついているが、全体のストームアップドラフトのごく一部にしか関係していない。 本研究では,3次元格子型レーダの反射率のみから,機械学習モデル,すなわちU-Netsが最大垂直速度とそのアレー範囲を巧みに取得できるかどうかを検討する。
  論文  参考訳（メタデータ） (2023-10-13T20:26:55Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Variational encoder geostatistical analysis (VEGAS) with an application to large scale riverine bathymetry [1.2093180801186911]
  水位測定としても知られる河床形状の推定は,多くの応用において重要な役割を担っている。 本稿では,中央に狭い層を持つディープニューラルネットワークである可変オートエンコーダ(VAE)を利用するリダクション・オーダー・モデル(ROM)に基づくアプローチを提案する。 アメリカ合衆国,サバンナ川の1マイル到達地点において,我々の逆解析手法を検証した。
  論文  参考訳（メタデータ） (2021-11-23T08:27:48Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)
• Quantized Neural Networks for Radar Interference Mitigation [14.540226579203207]
  CNNに基づくノイズ除去と干渉緩和のアプローチはレーダ処理に有望な結果をもたらす。 本稿では,CNNに基づくレーダ信号のノイズ除去と干渉緩和のための量子化手法について検討する。
  論文  参考訳（メタデータ） (2020-11-25T13:18:06Z)

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。