論文の概要: Tracking Large-scale Shared Bikes with Inertial Motion Learning in GNSS Blocked Environments
- arxiv url: http://arxiv.org/abs/2605.07412v1
- Date: Fri, 08 May 2026 08:05:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 19:43:38.911816
- Title: Tracking Large-scale Shared Bikes with Inertial Motion Learning in GNSS Blocked Environments
- Title（参考訳）: GNSSブロック環境における慣性運動学習による大規模共有自転車の追跡
- Authors: Feng Liu, Kejia Li, Zhiwei Yang, Chunwei Yang, Qun Li, Guobin Wu, Qiang Ni, Ruipeng Gao,
- Abstract要約: そこで本研究では,自転車の機械的制約とミキシング・オブ・エキスパート・モデルを統合する慣性追跡フレームワークを提案する。
具体的には、複数の専門家モジュールを活用して共有表現をキャプチャし、ゲーティング機構を通じてそれらを重み付けします。
本システムでは,少なくとも12%の精度でベースラインの精度を向上し,95パーセントで0.5m/s未満のホイール速度誤差を発生させる。
- 参考スコア（独自算出の注目度）: 12.951378810553031
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although Global Navigation Satellite Systems (GNSS) provide a general solution for bike tracking outdoors, there still exist complex riding environments where only inertial navigation systems work, such as urban canyons. Despite decades of research, localization using only low-cost inertial sensors still faces challenges such as cumulative drifts and poor robustness caused by filtering methods. Furthermore, sensors such as visual and LiDAR could provide reliable measurements, but they are not suitable for large-scale deployment. In this paper, we propose an inertial tracking framework that integrates bicycle mechanical constraints with a mixture-of-experts model. Specifically, we leverage multiple expert modules to capture shared representations and weight them through the gating mechanism, thus improving multi-task learning performance and enabling uncertainty-aware trajectory estimation. Furthermore, based on the mechanical transmission between the pedal and the rear wheel of a bike, we explore the intrinsic relationship between the rider's periodic pedalling behaviors and acceleration variations, and convert such patterns into bike's wheel speed for dynamic calibration. Experiments with real-world riding data from shared bikes of the DiDi ride-hailing platform demonstrate that our system improves the accuracy of baselines by at least 12%, with wheel speed errors below 0.5 m/s at 95-percentile.
- Abstract（参考訳）: グローバル・ナビゲーション・サテライト・システムズ(GNSS)は、屋外での自転車追跡の一般的なソリューションを提供するが、都市キャニオンのような慣性ナビゲーションシステムのみが機能する複雑なライディング環境が存在する。
数十年にわたる研究にもかかわらず、低コストな慣性センサーのみを用いたローカライゼーションは、累積ドリフトやフィルタリング手法によるロバスト性などの課題に直面している。
さらに、ビジュアルやLiDARのようなセンサーは信頼性の高い測定を行うことができるが、大規模な展開には適していない。
本稿では,自転車の機械的制約と混合専門家モデルを統合する慣性追跡フレームワークを提案する。
具体的には、複数の専門家モジュールを利用して共有表現をキャプチャし、ゲーティング機構を通じて重み付けし、マルチタスク学習性能を改善し、不確実性を考慮した軌道推定を可能にする。
さらに、自転車のペダルと後輪間の機械的伝達に基づいて、ライダーの周期的なペダルリング挙動と加速度変動の関係を探索し、それらのパターンを動的キャリブレーションのために自転車の車輪速度に変換する。
DiDi配車プラットフォームの共有自転車による実世界走行データによる実験により、私たちのシステムは少なくとも12%の精度でベースラインの精度を向上し、車輪速度の誤差は95パーセントで0.5m/s以下であることがわかった。
関連論文リスト
- Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。
本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。
このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
論文 参考訳（メタデータ） (2026-04-10T17:12:07Z) - Spatially-Aware Adaptive Trajectory Optimization with Controller-Guided Feedback for Autonomous Racing [74.83272587893508]
本稿では,NURBSに基づく軌道表現,CMA-ESグローバル軌道最適化,コントローラ誘導空間フィードバックを組み合わせた自律レースライン最適化フレームワークを提案する。
シミュレーションでは,最大静的加速度をパラメータ化したコントローラと比較して17.38%のラップタイム短縮を実現している。
高摩擦から低摩擦まで様々なタイヤ化合物で試験された実ハードウェアでは、摩擦を明示的にパラメータ化することなく、7.60%のラップタイムの改善が得られる。
論文 参考訳（メタデータ） (2026-02-17T15:10:44Z) - Pure Inertial Navigation in Challenging Environments with Wheeled and Chassis Mounted Inertial Sensors [3.956118462195485]
車輪付き慣性航法システムWiCHINSを提案する。
それぞれ専用の拡張Kalmanフィルタを備えた3段階のフレームワークを導出する。
平均位置誤差は11.4mであり、平均走行距離の2.4%である。
論文 参考訳（メタデータ） (2026-01-01T09:28:05Z) - Benchmarking Egocentric Visual-Inertial SLAM at City Scale [50.1245744173948]
本稿では,エゴセントリックなマルチモーダルデータを用いた視覚慣性SLAMのための新しいデータセットとベンチマークを提案する。
我々は、様々なセンサーを備えたメガネのような装置で、市内の中心部を何時間、何キロもの軌跡を記録している。
アカデミックによって開発された最先端のシステムは、これらの課題に対して堅牢ではないことを示し、これに責任を負うコンポーネントを特定します。
論文 参考訳（メタデータ） (2025-09-30T17:59:31Z) - DRIVE Through the Unpredictability:From a Protocol Investigating Slip to a Metric Estimating Command Uncertainty [1.6777716159506137]
本稿ではDRIVEプロトコルを用いて,スリップ状態空間のシステム識別とキャラクタリゼーションのためのデータの収集を標準化する。
速度指令空間を探索し、地形とロボットの相互作用の到達速度を推定するプロトコルの能力を評価する。
コマンドの不確実性を推定し、デプロイのリスク可能性と重症度を評価するために、予測不可能な指標が提案されている。
論文 参考訳（メタデータ） (2025-06-19T20:33:33Z) - A Self-Supervised Transformer for Unusable Shared Bike Detection [1.3948892744961128]
本稿では,未使用の共有自転車を自動的に検出する,新しい自己監督トランスフォーマ(SS Transformer)フレームワークを提案する。
このモデルには、自己教師付き事前学習戦略が組み込まれ、特徴抽出能力を向上し、続いて、効率的なステータス認識のための微調整が行われる。
10,730台の自転車の実際のデータセットの実験では、SSTransformerは従来の機械学習、アンサンブル学習、ディープラーニングベースラインを大きく上回っている。
論文 参考訳（メタデータ） (2025-05-02T00:20:38Z) - A Wearable Data Collection System for Studying Micro-Level E-Scooter
Behavior in Naturalistic Road Environment [3.5466525046297264]
本稿では,自然道路環境におけるマイクロレベルのe-Scooter動作を調査するためのウェアラブルデータ収集システムを提案する。
ロボットオペレーティングシステム(ROS)を用いたLiDAR、カメラ、GPSの統合により、e-Scooterベースのデータ取得システムを開発した。
論文 参考訳（メタデータ） (2022-12-22T18:58:54Z) - Vision in adverse weather: Augmentation using CycleGANs with various
object detectors for robust perception in autonomous racing [70.16043883381677]
自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。
悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。
本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
論文 参考訳（メタデータ） (2022-01-10T10:02:40Z) - Learning High-Speed Flight in the Wild [101.33104268902208]
複雑な自然環境や人工環境を高速で自律的に飛行するエンド・ツー・エンドのアプローチを提案する。
鍵となる原理は、雑音の知覚観測を直接、後退水平方向に無衝突軌道にマッピングすることである。
現実的なセンサノイズをシミュレートすることにより,シミュレーションから現実環境へのゼロショット転送を実現する。
論文 参考訳（メタデータ） (2021-10-11T09:43:11Z) - Autonomous Off-road Navigation over Extreme Terrains with
Perceptually-challenging Conditions [7.514178230130502]
移動性ストレス要素を用いた知覚困難環境におけるレジリエント自律計算の枠組みを提案する。
リアルタイムに堅牢なマルチファイアリティトラバーサビリティ推定を生成するための高速設定アルゴリズムを提案する。
提案手法は、スキッドステアや追尾ロボット、高速RCカー、脚ロボットなど、複数の物理的システムに展開された。
論文 参考訳（メタデータ） (2021-01-26T22:13:01Z)
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。