論文の概要: CredibleDFGO: Differentiable Factor Graph Optimization with Credibility Supervision
- arxiv url: http://arxiv.org/abs/2605.06100v1
- Date: Thu, 07 May 2026 12:16:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 22:27:11.759388
- Title: CredibleDFGO: Differentiable Factor Graph Optimization with Credibility Supervision
- Title（参考訳）: CredibleDFGO: Credibility Supervisionを用いた微分因子グラフ最適化
- Authors: Liang Qian, Penggao Yan, Penghui Xu, Li-Ta Hsu,
- Abstract要約: CredibleDFGO (CDFGO) は,共分散信頼性を明示的なトレーニングターゲットとする微分因子グラフフレームワークである。
負の対数類似度(NLL)、エネルギースコア(ES)およびそれらの組み合わせについて検討した。
3つのUrbanNavテストシーンの結果、不確実性の信頼性が一貫した向上を示した。
- 参考スコア（独自算出の注目度）: 9.845746505237306
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Global navigation satellite system (GNSS) positioning is widely used for urban navigation, but the covariance reported by the GNSS solver is often unreliable in urban canyons. Existing differentiable factor graph optimization (DFGO) methods already learn measurement weighting through the solver, but they still use position-only objectives. As a result, the mean estimate may improve while the reported covariance remains too small, too large, or wrong in shape. In this work, we propose CredibleDFGO (CDFGO), a differentiable GNSS factor graph framework that makes covariance credibility an explicit training target. The Weighting Generation Network (WGN) predicts per-satellite reliability weights. The differentiable Gauss--Newton solver maps these weights to a position estimate and posterior covariance, and proper scoring rules supervise the East--North predictive distribution end-to-end. We study negative log-likelihood (NLL), Energy Score (ES), and their combination. Results on three UrbanNav test scenes show consistent gains in uncertainty credibility. Positioning accuracy also improves on the medium-urban and harsh-urban scenes, and the mean horizontal error and 95th-percentile error improve on the deep-urban scene. On the harsh-urban Mong Kok (MK) scene, CDFGO-Combined reduces the mean horizontal error from 13.77\,m to 11.68\,m, reduces NLL from 40.63 to 6.59, and reduces ES from 12.31 to 9.05. The case studies link the MK improvement to better axis-wise consistency, more credible local covariance ellipses, and satellite-level reweighting.
- Abstract（参考訳）: 地球航法衛星システム(GNSS)の位置決めは都市航法に広く用いられているが、GNSSソルバが報告した共分散は都市峡谷では信頼できないことが多い。
既存の微分因子グラフ最適化法(DFGO)は、既に解法を通して測定重み付けを学習しているが、それでも位置のみの目的を用いている。
その結果、報告された共分散が小さすぎるか、大きすぎるか、間違った形状のままである間に平均推定値が改善する可能性がある。
本研究では,CredibleDFGO(CDFGO)を提案する。これはGNSS因子グラフフレームワークで,共分散信頼性を明示的なトレーニングターゲットとする。
WGN(Weighting Generation Network)は、衛星ごとの信頼性を予測している。
微分可能なガウス-ニュートンソルバはこれらの重みを位置推定と後続の共分散にマッピングし、適切なスコアリングルールは東-北の予測分布を終末に監督する。
負の対数類似度(NLL)、エネルギースコア(ES)およびそれらの組み合わせについて検討した。
3つのUrbanNavテストシーンの結果、不確実性の信頼性が一貫した向上を示した。
また、位置決め精度は、中域と強域のシーンで改善され、平均水平誤差と95%の誤差は深域のシーンで改善される。
MKシーンでは、CDFGO-Combinedは平均水平誤差を13.77\,mから11.68\,mに減らし、NLLを40.63から6.59に減らし、ESを12.31から9.05に減らした。
このケーススタディはMKの改良を、より軸方向の整合性、より信頼性の高い局所共分散楕円、衛星レベルの再重み付けと結びつけている。
関連論文リスト
- Bayesian Learning-Enhanced Navigation with Deep Smoothing for Inertial-Aided Navigation [8.510813384980262]
BLENDSはデータ駆動のポストプロセッシングフレームワークで、トランスフォーマーベースのニューラルネットワークによって従来の2フィルタスムーズな拡張を行う。
BLENDSは、ベースライン前方EKFよりも最大63%の水平位置改善を実現している。
論文 参考訳（メタデータ） (2026-03-26T12:11:59Z) - Machine Learning Argument of Latitude Error Model for LEO Satellite Orbit and Covariance Correction [0.0]
我々は,多種多様なLEO衛星の緯度議論における誤差の増大を補正する機械学習手法を開発した。
この1次元モデルが,カルテシアン状態空間に写像できる誤モデルドラッグの効果を捉えていることが示される。
論文 参考訳（メタデータ） (2026-02-18T17:23:14Z) - Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。
本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。
9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
論文 参考訳（メタデータ） (2026-02-09T22:48:30Z) - Accurate Pedestrian Tracking in Urban Canyons: A Multi-Modal Fusion Approach [10.102277409472444]
このコントリビューションは、性能が劣化した都市環境における位置決め精度を向上させるために設計された歩行者ナビゲーション手法について述べる。
カメラによる視覚的位置決めの限界と非現実性に対処するため,慣性データの粒子フィルタによる融合を提案する。
このシステムは、歩道の正しさと位置推定誤差に関する3つの指標を用いて、サンフランシスコ中心街の6つの困難な歩行経路で評価された。
論文 参考訳（メタデータ） (2026-01-29T23:23:59Z) - Adaptive Factor Graph-Based Tightly Coupled GNSS/IMU Fusion for Robust Positionin [0.0]
密結合/IMU融合はロバスト性を改善するが、非ガウスノイズや外れ値に弱いままである。
擬似距離測定とIMU事前積分係数を統合した,頑健で適応的な因子グラフに基づく融合フレームワークを提案する。
提案手法は,標準FGOと比較して最大41%の精度で位置決め誤差を低減し,調整可能な都市環境における拡張カルマンフィルタ(EKF)よりもさらに大きな改善を実現する。
論文 参考訳（メタデータ） (2025-11-28T09:33:13Z) - GNSS Positioning using Cost Function Regulated Multilateration and Graph
Neural Networks [0.0699049312989311]
衛星からの視線信号が高層物体によって頻繁に遮断される都市環境では、受信機は衛星範囲を測定する際に大きな誤差を受ける。
ヒューリスティック法は、これらの誤差を推定し、雑音測定が局所化精度に与える影響を減らすために一般的に用いられる。
本研究では,これらの誤り推定をグラフニューラルネットワークに基づくディープラーニングモデルに置き換える。
論文 参考訳（メタデータ） (2024-02-28T19:00:01Z) - TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。
近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。
1)予測共分散は予測平均のランダム性を真に捉えているか?
その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
論文 参考訳（メタデータ） (2023-10-29T09:54:03Z) - AffineGlue: Joint Matching and Robust Estimation [74.04609046690913]
AffineGlue, 連立2視点特徴マッチングとロバストな推定法を提案する。
AffineGlueは、最小限のモデルを推定するために、1対多の対応から潜在的なマッチを選択する。
ガイドマッチングはモデルと一致した一致を見つけるために使用され、1対1の一致の曖昧さに悩まされる。
論文 参考訳（メタデータ） (2023-07-28T08:05:36Z) - Adaptive Self-supervision Algorithms for Physics-informed Neural
Networks [59.822151945132525]
物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。
これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。
モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
論文 参考訳（メタデータ） (2022-07-08T18:17:06Z) - A Biased Graph Neural Network Sampler with Near-Optimal Regret [57.70126763759996]
グラフニューラルネットワーク(GNN)は、グラフおよびリレーショナルデータにディープネットワークアーキテクチャを適用する手段として登場した。
本論文では,既存の作業に基づいて,GNN近傍サンプリングをマルチアームバンディット問題として扱う。
そこで本研究では,分散を低減し,不安定かつ非限定的な支払いを回避すべく設計されたバイアスをある程度導入した報酬関数を提案する。
論文 参考訳（メタデータ） (2021-03-01T15:55:58Z) - Detached Error Feedback for Distributed SGD with Random Sparsification [98.98236187442258]
コミュニケーションのボトルネックは、大規模なディープラーニングにおいて重要な問題である。
非効率な分散問題に対する誤りフィードバックよりも優れた収束性を示す分散誤差フィードバック(DEF)アルゴリズムを提案する。
また、DEFよりも優れた境界を示すDEFの一般化を加速するDEFAを提案する。
論文 参考訳（メタデータ） (2020-04-11T03:50:59Z)
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。