論文の概要: Smoothing Out the Edges: Continuous-Time Estimation with Gaussian Process Motion Priors on Factor Graphs
- arxiv url: http://arxiv.org/abs/2605.09073v1
- Date: Sat, 09 May 2026 17:30:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 14:48:53.948473
- Title: Smoothing Out the Edges: Continuous-Time Estimation with Gaussian Process Motion Priors on Factor Graphs
- Title（参考訳）: エッジの平滑化:因子グラフに基づくガウス過程運動による連続時間推定
- Abstract要約: 因子グラフの言語に根ざしたGP連続時間推定の単純化された説明を提供する。
また、一般的なGTSAM推定フレームワークで実装された3つの実例についても紹介する。
- 参考スコア（独自算出の注目度）: 19.854367305550873
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Continuous-time state estimation is gaining in popularity due to its abilities to provide smooth solutions, handle asynchronous sensors, and interpolate between data points. While there are two main paradigms, parametric (e.g., temporal basis functions, splines) and nonparametric (Gaussian processes), the latter has seen less adoption despite its technical advantages and relative ease of implementation. In this article, we seek to rectify this situation by providing a new simplified explanation of GP continuous-time estimation rooted in the language of factor graphs, which have become the de facto estimation paradigm in much of robotics. To simplify onboarding, we also provide three working examples implemented in the popular GTSAM estimation framework.
- Abstract（参考訳）: 継続的状態推定は、スムーズなソリューションを提供し、非同期センサーを処理し、データポイント間を補間する能力によって人気を集めている。
パラメトリック(例えば、時間的基底関数、スプライン)と非パラメトリック(ガウス過程)の2つの主要なパラダイムがあるが、後者は技術的な利点と相対的な実装の容易さにもかかわらず、あまり採用されていない。
本稿では,因子グラフの言語に根ざしたGP連続時間推定の簡易な説明を提供することにより,この状況を是正する。
また,一般的なGTSAM推定フレームワークで実装された3つの実例についても紹介する。
関連論文リスト
- Revisiting Continuous-Time Trajectory Estimation via Gaussian Processes and the Magnus Expansion [4.435094091999926]
連続時間軌道推定に対する全LTV GPアプローチを再検討し、Magnus拡張を介してリー群に先立つ大域的なGPを導出する。
本稿では,2つのアプローチの数値的な比較を行い,それらの相対的なメリットについて論じる。
論文 参考訳（メタデータ） (2026-01-06T19:02:19Z) - Event-based Graph Representation with Spatial and Motion Vectors for Asynchronous Object Detection [20.537672896807063]
イベントベースのセンサは、高時間分解能と不規則レイテンシを提供する。
このデータを高密度テンソルに変換することで、標準的なニューラルネットワークでの使用は、これらの固有の利点を減らします。
本稿では,空間構造と時間的変化をよりよく捉えるために,新しい多面的表現を提案する。
論文 参考訳（メタデータ） (2025-07-20T23:02:23Z) - Vanishing Point Estimation in Uncalibrated Images with Prior Gravity
Direction [82.72686460985297]
我々はマンハッタンのフレームを推定する問題に取り組む。
2つの新しい2行解法が導出され、そのうちの1つは既存の解法に影響を与える特異点に悩まされない。
また、局所最適化の性能を高めるために、任意の行で実行される新しい最小でないメソッドを設計する。
論文 参考訳（メタデータ） (2023-08-21T13:03:25Z) - From random-walks to graph-sprints: a low-latency node embedding
framework on continuous-time dynamic graphs [4.372841335228306]
本稿では,レイテンシが低く,最先端の高レイテンシモデルと競合する連続時間動的グラフ(CTDG)のフレームワークを提案する。
本フレームワークでは,マルチホップ情報を要約したタイムアウェアノード埋め込みを,入ってくるエッジ上のシングルホップ操作のみを用いて計算する。
グラフプリント機能と機械学習を組み合わせることで,競争性能が向上することを示す。
論文 参考訳（メタデータ） (2023-07-17T12:25:52Z) - Machine Learning Accelerated PDE Backstepping Observers [56.65019598237507]
学習に基づくアプローチを用いてPDEオブザーバ計算を高速化するフレームワークを提案する。
我々は、最近開発されたフーリエニューラル演算子(FNO)を用いて、初期観測状態から状態推定への関数マッピングを学習する。
アプリケーションによって動機付けられた3つのベンチマークPDE例の状態推定について検討する。
論文 参考訳（メタデータ） (2022-11-28T04:06:43Z) - FaDIn: Fast Discretized Inference for Hawkes Processes with General
Parametric Kernels [82.53569355337586]
この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。
脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。
その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
論文 参考訳（メタデータ） (2022-10-10T12:35:02Z) - Robust and Adaptive Temporal-Difference Learning Using An Ensemble of
Gaussian Processes [70.80716221080118]
本稿では、時間差学習(TD)による政策評価の世代的視点について考察する。
OS-GPTDアプローチは、状態-逆ペアのシーケンスを観測することにより、与えられたポリシーの値関数を推定するために開発された。
1つの固定カーネルに関連する限られた表現性を緩和するために、GP前の重み付けアンサンブル(E)を用いて代替のスキームを生成する。
論文 参考訳（メタデータ） (2021-12-01T23:15:09Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳（メタデータ） (2020-02-21T13:48:13Z)
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。