論文の概要: Overcoming the Intrinsic Performance Limitations of MEMS IMU via Diffusion-Based Generative Learning

• arxiv url: http://arxiv.org/abs/2605.16391v1
• Date: Tue, 12 May 2026 05:03:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.20045
• Title: Overcoming the Intrinsic Performance Limitations of MEMS IMU via Diffusion-Based Generative Learning
• Title（参考訳）: 拡散に基づく生成学習によるMEMS IMUの本質的性能限界の克服
• Authors: Jiarui Lv, Feng Zhu, Xiaohong Zhang,
• Abstract要約: 慣性計測ユニット(IMU)は、マルチソース統合ナビゲーションシステムの基本センサーコンポーネントである。 低コストIMU測定から高忠実度仮想IMUデータを合成するための拡散型生成学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.891553327942019
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inertial measurement units (IMUs) are fundamental sensing components in multi-source integrated navigation systems, and their performance directly determines the accuracy and reliability of solutions. However, the precision of low-cost IMUs is inherently constrained by hardware limitations. Recently, generative artificial intelligence has demonstrated remarkable capability in modeling complex data distributions and reconstructing high-fidelity signals. Motivated by this, we propose a diffusion-based generative learning framework for synthesizing high-fidelity virtual IMU data from low-cost IMU measurements. Specifically, a conditional diffusion model based on a U-Net architecture is constructed, where high-grade IMU measurements are utilized as ground-truth priors and low-cost IMU measurements are employed as conditional inputs. The virtual IMU data generated by the model is used for subsequent navigation and localization tasks. Experimental results demonstrate that the generated virtual IMU data significantly outperform the original low-cost IMU measurements in both positioning and attitude estimation. Furthermore, we transfer the model to airborne mapping experiments, where the proposed method produces thinner and more consistent point clouds. Overall, the proposed framework breaks the performance limits of low-cost IMU and demonstrates the potential of diffusion-based generative learning for virtual high-grade IMU data.
• Abstract（参考訳）: 慣性計測ユニット(IMU)は、マルチソース統合ナビゲーションシステムの基本センサーコンポーネントであり、その性能はソリューションの精度と信頼性を直接決定する。 しかし、低コストIMUの精度は本質的にハードウェアの制約によって制限されている。 近年、生成人工知能は複雑なデータ分布をモデル化し、高忠実度信号を再構成する際、顕著な能力を発揮している。 そこで我々は,低コストIMU測定から高忠実度仮想IMUデータを合成するための拡散型生成学習フレームワークを提案する。 具体的には、U-Netアーキテクチャに基づく条件拡散モデルを構築し、高次IMU測定を地中信頼度として利用し、低コストIMU測定を条件入力として利用する。 モデルによって生成された仮想IMUデータは、その後のナビゲーションおよびローカライゼーションタスクに使用される。 実験の結果, 生成した仮想IMUデータは, 位置推定と姿勢推定の両方において, 従来の低コストIMU測定よりも有意に優れていた。 さらに,提案手法はより薄く,より一貫した点雲を生成する。 全体として,提案フレームワークは低コストIMUの性能限界を突破し,仮想高次IMUデータに対する拡散型生成学習の可能性を示す。

関連論文リスト

• Spiking Neural-Invariant Kalman Fusion for Accurate Localization Using Low-Cost IMUs [6.989460681111542]
  スパイキングニューラルネットワーク(SNN)と不変拡張カルマンフィルタ(InEKF)を組み合わせた脳誘発状態推定フレームワークを提案する。 提案手法は,センサノイズに対する強い堅牢性を示し,実世界の移動ロボット応用の可能性を明らかにする。
  論文  参考訳（メタデータ） (2026-01-13T06:12:12Z)
• Refining Diffusion Models for Motion Synthesis with an Acceleration Loss to Generate Realistic IMU Data [1.291843130404247]
  現実的なIMUデータを得るために,テキストからIMU(慣性計測単位)の動き合成フレームワークを提案する。 加速に基づく2次損失(L_acc)を伴う事前学習拡散モデル L_accは、生成された動きの離散的な2階時間差に一貫性を強制する。
  論文  参考訳（メタデータ） (2025-12-09T17:51:01Z)
• Model Utility Law: Evaluating LLMs beyond Performance through Mechanism Interpretable Metric [99.56567010306807]
  大規模言語モデル(LLM)は、学術、産業、そして日々のアプリケーションに欠かせないものになっている。 大規模言語モデル (LLM) 時代における評価の課題の1つは一般化問題である。 従来の性能スコアを補完するメカニズムの解釈可能性向上指標であるモデル利用指数(MUI)を提案する。
  論文  参考訳（メタデータ） (2025-04-10T04:09:47Z)
• A Plug-and-Play Learning-based IMU Bias Factor for Robust Visual-Inertial Odometry [27.62788405443008]
  Inertial Prior Network (IPNet) を利用した新しいプラグアンドプレイモジュールを提案する。 IPNetは、特定のプラットフォームの動作特性を暗黙的にキャプチャすることで、IMUバイアスを推論する。 本研究では、まず、スライドウインドウアプローチを用いて生のIMUデータのみを用いてバイアスを直接推測する。
  論文  参考訳（メタデータ） (2025-03-16T14:45:19Z)
• Masked Video and Body-worn IMU Autoencoder for Egocentric Action Recognition [24.217068565936117]
  本稿では,身近なIMUの動作データをエゴセントリックなビデオと統合する行動認識手法を提案する。 体全体に配置された複数のIMUデバイスの複雑な関係をモデル化するために、複数のIMUデバイスにおける協調力学を利用する。 実験により,提案手法は複数の公開データセット上で最先端の性能を実現することができることが示された。
  論文  参考訳（メタデータ） (2024-07-09T07:53:16Z)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)
• Multi-Visual-Inertial System: Analysis, Calibration and Estimation [26.658649118048032]
  マルチビジュアル・慣性システム(MVIS)の状態を推定し,センサ融合アルゴリズムを開発した。 我々は、関連する視覚慣性センサーの完全な校正に興味を持っている。
  論文  参考訳（メタデータ） (2023-08-10T02:47:36Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Deep Inertial Odometry with Accurate IMU Preintegration [16.598260336275892]
  慣性測定ユニット (IMU) は、環境要因に依存しないエゴモーション計測を提供する、インターセプティブなモダリティである。 本研究では,DIO(Deep Inertial odometry)のためのIMU運動モデルに対するより現実的な解として,正確な事前積分の有効性を検討する。 結果のdioは、モデル駆動とデータ駆動のアプローチの融合です。
  論文  参考訳（メタデータ） (2021-01-18T13:16:04Z)

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。