論文の概要: Pose Tracking with a Foundation Pose Model and an Ensemble Directional Kalman Filter

• arxiv url: http://arxiv.org/abs/2605.03105v1
• Date: Mon, 04 May 2026 19:45:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.625274
• Title: Pose Tracking with a Foundation Pose Model and an Ensemble Directional Kalman Filter
• Title（参考訳）: 基本詩モデルとアンサンブル方向カルマンフィルタによる詩追跡
• Authors: Tianlu Lu, Asif Sijan, Thomas Noh, Huaijin Chen, Andrey A. Popov,
• Abstract要約: EnDKFは、オブジェクトの位置と姿勢を共同で推定するポーズトラッキングのためのアンサンブルベースのカルマンフィルタである。 合成定速度等角速度系の実験とデジタル双対ヘッドトラッキングのシナリオにより,誤差の大幅な低減が示された。
• 参考スコア（独自算出の注目度）: 0.05592394503914488
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces the ensemble directional Kalman filter (EnDKF), an ensemble-based Kalman filtering approach for pose tracking that jointly estimates an object's position and attitude using ideas from directional statistics. The EnDKF integrates a unit-quaternion attitude representation to move beyond canonical Kalman filter mean and covariance assumptions that poorly capture directional uncertainty. Experiments on a synthetic constant-velocity constant-angular-velocity system and a digital-twin head-tracking scenario using the FoundationPose algorithm demonstrate a significant reduction in error as opposed to merely using measurements.
• Abstract（参考訳）: 本稿では,アンサンブル・指向性カルマンフィルタ (EnDKF) について紹介する。アンサンブル・指向性カルマンフィルタ (EnDKF) は,指向性統計からのアイデアを用いて,物体の位置と姿勢を共同で推定するポーズトラッキングのためのアンサンブル・ベース・カルマン・フィルタリング手法である。 EnDKFは単位四元数姿勢表現を統合して、正準カルマンフィルタ平均と共分散仮定を超越し、方向の不確かさを抑える。 FoundationPoseアルゴリズムを用いた合成定速度定数角速度システムとデジタル双対ヘッドトラッキングのシナリオの実験は、単に測定値を使用するのではなく、誤差の大幅な低減を実証している。

関連論文リスト

• MoCapAnything V2: End-to-End Motion Capture for Arbitrary Skeletons [56.68975315643491]
  本稿では,ビデオ・ツー・ローテーションとビデオ・ツー・ローテーションを共同で学習し,最適化する,最初のエンドツーエンドフレームワークを提案する。 本手法は, メッシュベースパイプラインの20倍の速度で, 回転誤差を17度から10度, 見えない骨格では6.54度に低減する。
  論文  参考訳（メタデータ） (2026-04-30T17:16:38Z)
• Iterated Invariant EKF for Quadruped Robot Odometry [2.975934604778082]
  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。
  論文  参考訳（メタデータ） (2026-04-16T18:09:15Z)
• Filtering with Randomised Observations: Sequential Learning of Relevant Subspace Properties and Accuracy Analysis [0.0]
  連続アンサンブルカルマンフィルタの信号追跡性能について, 固定的, ランダム化し, 適応的に変動する部分的観測条件下で検討した。 本稿では,境界フィルタリング誤差を保証するのに十分な状態部分空間の次元を適応的に決定する逐次学習方式を提案する。
  論文  参考訳（メタデータ） (2025-09-05T07:30:01Z)
• Recursive KalmanNet: Deep Learning-Augmented Kalman Filtering for State Estimation with Consistent Uncertainty Quantification [0.0]
  本稿では,正確な状態推定を目的としたKalman-filter-informed Recurrent Neural NetworkであるRecursive KalmanNetを紹介する。 非ガウス的ホワイトノイズを用いた実験では,従来のカルマンフィルタと既存の最先端ディープラーニングに基づく推定器の両方で性能が向上することが示された。
  論文  参考訳（メタデータ） (2025-06-13T10:11:32Z)
• Outlier-robust Kalman Filtering through Generalised Bayes [45.51425214486509]
  我々は、状態空間モデルにおけるオンラインフィルタリングのための新しい、確実に堅牢でクローズドなベイズ更新ルールを導出する。 提案手法は, より少ない計算コストで, 他の頑健なフィルタリング手法に適合し, 性能が向上する。
  論文  参考訳（メタデータ） (2024-05-09T09:40:56Z)
• DeepKalPose: An Enhanced Deep-Learning Kalman Filter for Temporally Consistent Monocular Vehicle Pose Estimation [6.483509903853654]
  DeepKalPoseは、ディープラーニングベースのKalmanフィルタを用いて、ビデオに適用される単眼車ポーズ推定における時間的一貫性を高める新しいアプローチである。 提案手法は, 各種条件, 特に閉塞車や遠距離車において, ポーズ精度とロバスト性を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-04-25T12:15:11Z)
• Motion-adaptive Separable Collaborative Filters for Blind Motion Deblurring [71.60457491155451]
  様々な動きによって生じる画像のぼかしを除去することは、難しい問題である。 本研究では,動き適応型分離型協調フィルタと呼ばれる実世界のデブロアリングフィルタモデルを提案する。 本手法は,実世界の動きのぼかし除去に有効な解法を提供し,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-04-19T19:44:24Z)
• State Estimation and Control for Stochastic Quantum Dynamics with Homodyne Measurement: Stabilizing Qubits under Uncertainty [1.4811951486536687]
  本稿では, ホモダイン測定を用いたリアプノフに基づく制御手法を提案する。 従来の量子フィルタリングと拡張カルマンフィルタの修正版について検討した。
  論文  参考訳（メタデータ） (2024-03-09T22:29:00Z)
• A Model for Multi-View Residual Covariances based on Perspective Deformation [88.21738020902411]
  マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。 我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
  論文  参考訳（メタデータ） (2022-02-01T21:21:56Z)
• TLIO: Tight Learned Inertial Odometry [43.17991168599939]
  IMUのみの状態推定のための密結合拡張カルマンフィルタフレームワークを提案する。 ヘッドセットからの歩行者データでトレーニングされた我々のネットワークは、統計的に一貫した測定と不確実性を生み出すことができる。
  論文  参考訳（メタデータ） (2020-07-06T03:13:34Z)

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。