論文の概要: Iterated Invariant EKF for Quadruped Robot Odometry

• arxiv url: http://arxiv.org/abs/2604.15449v1
• Date: Thu, 16 Apr 2026 18:09:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.612619
• Title: Iterated Invariant EKF for Quadruped Robot Odometry
• Title（参考訳）: 四足歩行ロボットオドメトリーにおける反復不変EKF
• Abstract要約: 我々はIterIEKFに基づく脚ロボットのための新しいオープンソース状態推定アルゴリズムを提案する。 We demonstrate that the IterIEKF are out of the vanilla IEKF, the SO(3)-based Kalman Filter, and its iterationated variant in both accuracy and consistency。
• 参考スコア（独自算出の注目度）: 2.975934604778082
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Kalman filter-based algorithms are fundamental for mobile robots, as they provide a computationally efficient solution to the challenging problem of state estimation. However, they rely on two main assumptions that are difficult to satisfy in practice: (a) the system dynamics must be linear with Gaussian process noise, and (b) the measurement model must also be linear with Gaussian measurement noise. Previous works have extended assumption (a) to nonlinear spaces through the Invariant Extended Kalman Filter (IEKF), showing that it retains properties similar to those of the classical Kalman filter when the system dynamics are group-affine on a Lie group. More recently, the counterpart of assumption (b) for the same nonlinear setting was addressed in [1]. By means of the proposed Iterated Invariant Extended Kalman Filter (IterIEKF), the authors of that work demonstrated that the update step exhibits several compatibility properties of the classical linear Kalman filter. In this work, we introduce a novel open-source state estimation algorithm for legged robots based on the IterIEKF. The update step of the proposed filter relies solely on proprioceptive measurements, exploiting kinematic constraints on foot velocity during contact and base-frame velocity, making it inherently robust to environmental conditions. Through extensive numerical simulations and evaluation on real-world datasets, we demonstrate that the IterIEKF outperforms the vanilla IEKF, the SO(3)-based Kalman Filter, and its iterated variant in terms of both accuracy and consistency.
• Abstract（参考訳）: カルマンフィルタに基づくアルゴリズムは、状態推定の難しい問題に対する計算効率の良い解を提供するため、移動ロボットにとって基本的なものである。 しかし、それらは実際には満たせない2つの主要な仮定に依存している。 (a)システム力学はガウス過程ノイズと線形でなければならない。 (b)測度モデルはガウス測度ノイズと線形でなければならない。 先行研究は仮定を延ばしている (a) 不変拡張カルマンフィルタ (IEKF) による非線形空間に対して、系力学がリー群上の群アフィンであるとき、古典カルマンフィルタと似た性質を持つことを示す。 最近では、仮定の相反する (b) 同じ非線形設定に対しては[1]で対処した。 提案したイテレーテッド不変拡張カルマンフィルタ (IterIEKF) を用いて、更新ステップが古典線形カルマンフィルタのいくつかの互換性特性を示すことを示した。 そこで本研究では,IterIEKFに基づく脚型ロボットのためのオープンソースの状態推定アルゴリズムを提案する。 提案フィルタの更新段階は, 環境条件に対して本質的に堅牢となるように, 接触時の歩行速度とベースフレーム速度の運動的制約を生かし, プロテアーゼ的測定にのみ依存する。 実世界のデータセットに対する広範な数値シミュレーションと評価により、IterIEKFは、バニラIEKF、SO(3)ベースのカルマンフィルタ、およびその反復変形を精度と整合性の両方で上回ることを示した。

関連論文リスト

• The Iterative Equivariant Filter [7.623718506733591]
  IterEqFの背後にあるモチベーションは、IterEKFとEqFの両方の機能を組み合わせることで、高性能な状態推定ソリューションを実現することである。 本稿では,IterEqF更新ステップの反復手順を導出し,本手法の固有非線形性がフィルタの共分散を新しい座標にリセットする方法について述べる。
  論文  参考訳（メタデータ） (2026-09-11T01:22:37Z)
• Generative Bayesian Filtering for State Estimation [8.548885512840073]
  条件付き変分オートエンコーダ(CVAE)によりパラメータ化される事前制約付き条件付き生成モデルに、制約付き観測モデルを置き換えるフィルタリングフレームワークを提案する。 製造システム監視と不整脈診断を含む合成データセットと実世界の応用の実験は、GBFがベースラインアプローチと比較して状態推定精度と堅牢性を改善することを示した。
  論文  参考訳（メタデータ） (2026-07-09T00:05:23Z)
• Natural Gradient Bayesian Filtering: Geometry-Aware Filter for Dynamical Systems [29.83667827978134]
  本チュートリアルでは,情報幾何学的観点からガウスフィルタを再検討する。 本枠組みでは,幾何学的ガウスフィルタ手法を導入する。 1つの自然な漸進的なステップが、線形ガウスの場合のカルマン測度更新を正確に回復することを示す。
  論文  参考訳（メタデータ） (2026-05-04T07:59:02Z)
• Preserving linear invariants in ensemble filtering methods [0.0]
  非ガウスフィルタ問題の線形不変量を自動的に保存する非線形アンサンブルフィルタの一般クラスを導入する。 アンサンブルカルマンフィルタの既存の正規化手法と線形不変量の保存法を組み合わせる方法について述べる。
  論文  参考訳（メタデータ） (2024-04-22T16:39:32Z)
• Closed-form Filtering for Non-linear Systems [83.91296397912218]
  我々は密度近似と計算効率の面でいくつかの利点を提供するガウスPSDモデルに基づく新しいフィルタのクラスを提案する。 本研究では,遷移や観測がガウスPSDモデルである場合,フィルタリングを効率的にクローズド形式で行うことができることを示す。 提案する推定器は, 近似の精度に依存し, 遷移確率の正則性に適応する推定誤差を伴って, 高い理論的保証を享受する。
  論文  参考訳（メタデータ） (2024-02-15T08:51:49Z)
• System Identification for Continuous-time Linear Dynamical Systems [0.7510165488300368]
  潜在線形力学系の連続時間への学習の一般化は、ハイブリッドカルマンフィルタの使用を拡大する可能性がある。 トグルスイッチ型遺伝回路を表す潜伏多変量Fokker-Planck SDEのパラメータを学習し,本手法を適用した。
  論文  参考訳（メタデータ） (2023-08-23T05:53:13Z)
• Low-rank extended Kalman filtering for online learning of neural networks from streaming data [71.97861600347959]
  非定常データストリームから非線形関数のパラメータを推定するための効率的なオンライン近似ベイズ推定アルゴリズムを提案する。 この方法は拡張カルマンフィルタ (EKF) に基づいているが、新しい低ランク+斜角行列分解法を用いている。 変分推論に基づく手法とは対照的に,本手法は完全に決定論的であり,ステップサイズチューニングを必要としない。
  論文  参考訳（メタデータ） (2023-05-31T03:48:49Z)
• Inverse Extended Kalman Filter -- Part II: Highly Non-Linear and Uncertain Systems [18.244578289687123]
  本稿では,非線形システムにおける逆フィルタ問題に対処する逆拡張カルマンフィルタ(I-EKF)を提案する。 第1部:I-EKF(未知の入力を含む)とI-KF(未知の入力を含む)の理論 第2部:I-EKF(未知入力)とI-KF(未知入力)の理論
  論文  参考訳（メタデータ） (2022-08-13T16:55:39Z)
• Computational Doob's h-transforms for Online Filtering of Discretely Observed Diffusions [65.74069050283998]
  本研究では,Doobの$h$-transformsを近似する計算フレームワークを提案する。 提案手法は、最先端粒子フィルタよりも桁違いに効率的である。
  論文  参考訳（メタデータ） (2022-06-07T15:03:05Z)
• Deep Learning for the Benes Filter [91.3755431537592]
  本研究では,メッシュのないニューラルネットワークによるベンズモデルの解の密度の表現に基づく新しい数値計算法を提案する。 ニューラルネットワークの領域選択におけるフィルタリングモデル方程式における非線形性の役割について論じる。
  論文  参考訳（メタデータ） (2022-03-09T14:08:38Z)
• Inverse Extended Kalman Filter -- Part I: Fundamentals [19.078991171384015]
  本稿では,逆拡張カルマンフィルタ(I-EKF)の理論を詳述する。 我々は、有界非線型性と未知行列アプローチの両方を用いて理論的安定性を保証する。 本論文(パートII)では,不完全なシステムモデル情報を扱うために,Hilbert空間に基づくEKFの再生を提案する。
  論文  参考訳（メタデータ） (2022-01-05T10:56:58Z)
• 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。