論文の概要: Neural Aided Kalman Filtering for UAV State Estimation in Degraded Sensing Environments

• arxiv url: http://arxiv.org/abs/2604.28107v1
• Date: Thu, 30 Apr 2026 16:55:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.206678
• Title: Neural Aided Kalman Filtering for UAV State Estimation in Degraded Sensing Environments
• Title（参考訳）: 劣化検知環境におけるUAV状態推定のためのニューラルネットワークカルマンフィルタ
• Authors: Akhil Gupta, Erhan Guven,
• Abstract要約: 本稿では,トレーニング済みBNNとKalman修正ステップを結合したハイブリッドフレームワークを提案する。 合成非線形UAV飛行データを用いて, レーダノイズレベルとサンプリングレートの異なるBNKFの評価を行った。
• 参考スコア（独自算出の注目度）: 0.3093890460224435
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Accurate state estimation of nonlinear dynamical systems is fundamental to modern aerospace operations across air, sea, and space domains. Online tracking of adversarial unmanned aerial vehicles (UAVs) is especially challenging due to agile nonlinear motion, noisy and sparse sensor measurements, and unknown control inputs; conditions that violate key assumptions of classical Kalman filter variants and degrade estimation performance. Neural networks (NNs) can learn complex nonlinear relationships from data, but lack principled uncertainty quantification, which is critical for state estimation tasks where confidence bounds drive downstream decisions. We address this with Bayesian Neural Networks (BNNs), which model uncertainty through distributions over network weights and produce predictive means and uncertainties via Monte Carlo sampling. Building on this, we propose the Bayesian Neural Kalman Filter (BNKF): a hybrid framework coupling a trained BNN with a Kalman correction step for robust online UAV state estimation. Unlike related neural Kalman approaches, BNKF produces full state predictions and incorporates Bayesian uncertainty directly into covariance propagation, improving robustness under high noise conditions. We evaluate BNKF under varying radar noise levels and sampling rates using synthetic nonlinear UAV flight data. Five fold cross validation demonstrates that BNKF outperforms Extended and Unscented Kalman Filters in accuracy, precision, and truth containment under degraded sensing. An ensemble variant (BNKFe) further improves precision in high-noise edge cases at a slight accuracy tradeoff. Runtime analysis confirms minimal inference overhead, supporting real-time deployment feasibility.
• Abstract（参考訳）: 非線形力学系の正確な状態推定は、空気、海、宇宙領域を横断する現代の航空宇宙活動の基本である。 対人無人航空機(UAV)のオンライン追跡は、特に、アジャイルの非線形運動、ノイズとスパースセンサーの測定、未知の制御入力、古典カルマンフィルタの変種の重要な仮定に反する条件、および劣化推定性能により困難である。 ニューラルネットワーク(NN)は、データから複雑な非線形関係を学習することができるが、信頼性境界が下流決定を駆動する状態推定タスクには不可欠である、原理的な不確実性定量化が欠如している。 我々はベイジアンニューラルネットワーク(BNN)を用いてこの問題に対処し、ネットワーク重みの分布を通して不確実性をモデル化し、モンテカルロサンプリングによる予測手段と不確実性を生成する。 そこで我々は,BNKF(Bayesian Neural Kalman Filter)を提案する。これは,トレーニング済みBNNとKalman修正ステップを結合したハイブリッドフレームワークで,堅牢なオンラインUAV状態推定を行う。 関連するニューラルカルマンアプローチとは異なり、BNKFは完全な状態予測を生成し、ベイズの不確実性を共分散伝播に直接組み込み、高雑音条件下での堅牢性を向上させる。 合成非線形UAV飛行データを用いて, レーダノイズレベルとサンプリングレートの異なるBNKFの評価を行った。 5倍のクロスバリデーションは、BNKFが劣化検知下での精度、精度、真実保持において拡張カルマンフィルタと非強調カルマンフィルタより優れていることを示す。 アンサンブル変種(BNKFe)は、若干の精度のトレードオフで高雑音のエッジケースの精度をさらに向上する。 ランタイム分析は、最小の推論オーバーヘッドを確認し、リアルタイムデプロイメントの実現性をサポートする。

関連論文リスト

• DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting [80.43237927269575]
  本稿では,新しい視点からスパースビュー3DGSの再構築について再考する。 我々は、ガウスの原始的信頼性の観測不能性として、コアチャレンジを識別する。 この観測を動機として、レンダリング画像フレームワークにおける統合されたデュアルドメイン観測と幾何学的手法を提案する。
  論文  参考訳（メタデータ） (2026-04-08T07:01:24Z)
• Adaptive Learned State Estimation based on KalmanNet [0.38290014221246177]
  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。
  論文  参考訳（メタデータ） (2026-04-02T18:12:40Z)
• KD-EKF: Knowledge-Distilled Adaptive Covariance EKF for Robust UWB/PDR Indoor Localization [6.004649968619912]
  屋内でのローカライゼーションは、センチメートルレベルの精度と低レイテンシを提供する。 非視界条件下では測定信頼性が著しく低下する。 慣性測定ユニット(IMU)をベースとしたPDR(Pedestrian Dead Reckoning)は,インフラストラクチャフリーな動作推定を提供する。
  論文  参考訳（メタデータ） (2026-03-06T03:12:52Z)
• UAV-Deployed OAM-BB84 QKD: Turbulence- and Misalignment-Resilient Decoy-State Finite-Key Security with AI-Assisted Calibration [0.0]
  本稿では,無人航空機(UAV)プラットフォーム上でBB84を符号化した軌道角運動量を用いた量子鍵分布(QKD)の理論フレームワークを提案する。 確率的揺らぎ、検出器暗数、効率のミスマッチ、誤り訂正リークを含む秘密鍵レートに対する構成可能な有限鍵下限を導出する。 UAVシステムアーキテクチャ、乱流駆動QBERマップ、デコイ最適化、有限鍵スケーリング、AIキャリブレーションメトリクスを含む完全な評価パイプラインの概要を述べる。
  論文  参考訳（メタデータ） (2026-01-16T09:23:33Z)
• Developing Distance-Aware, and Evident Uncertainty Quantification in Dynamic Physics-Constrained Neural Networks for Robust Bearing Degradation Estimation [2.312232949770907]
  決定論的物理誘導ニューラルネットワークのための距離認識不確実性法を2つ導入する。 隠れ層にスペクトル正規化を適用し,入力から潜伏空間までの距離を保存する。 PronoSTIA, XJTU-SY, HUSTを用いた転がり軸受劣化試験を行った。
  論文  参考訳（メタデータ） (2025-12-09T11:30:41Z)
• Bayesian optimized deep ensemble for uncertainty quantification of deep neural networks: a system safety case study on sodium fast reactor thermal stratification modeling [10.055838489452817]
  ディープ・アンサンブルはディープ・ニューラルネットワーク(DNN)における不確実性定量化(UQ)のための効率的でスケーラブルな方法である 本稿では,ベイズ最適化(BO)とBODEと呼ばれるDDEを組み合わせることによって,予測精度とUQを両立させる手法を提案する。 計算流体力学(CFD)データに基づいて学習したDensely Connected Convolutional Neural Network (DCNN) のケーススタディにBODEを適用し, 高速炉熱成層モデルにおける渦粘度を予測する。
  論文  参考訳（メタデータ） (2024-12-11T21:06:50Z)
• Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
  擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。 我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。 SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-06-10T21:44:52Z)
• 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)
• 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)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。