論文の概要: FUSE: A Framework for Unified State Estimation in Vehicular and Robotic SLAM Systems
- arxiv url: http://arxiv.org/abs/2605.18047v2
- Date: Wed, 20 May 2026 15:02:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-21 14:55:44.314366
- Title: FUSE: A Framework for Unified State Estimation in Vehicular and Robotic SLAM Systems
- Title（参考訳）: FUSE: 車両とロボットのSLAMシステムにおける統一状態推定フレームワーク
- Authors: Wei Wu, Honglin Chen, Wenhan Cao, Yao Lyu, Shaobing Xu, Kun Jiang, Jiangtao Li, Tao Zhang, Shengbo Eben Li,
- Abstract要約: FUSEは、車両およびロボットSLAMシステムにおける統一状態推定のためのフレームワークである。
LiDAR-IMUのインスタンス化は、混合レートセンシングおよび方向性縮退下でのフレームワークを調べるために開発された。
- 参考スコア（独自算出の注目度）: 28.29177527737004
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tightly coupled SLAM formulations under mixed-rate sensing often bind temporal processing, local geometric association, estimator formulation, and map-update policy into method-specific designs. Such binding makes it difficult to vary one design choice without re-engineering the rest of the state-estimation process. This paper presents FUSE, a framework for unified state estimation in vehicular and robotic SLAM systems. FUSE organizes the state-estimation interface around observation ingestion, propagation, update, and state query, and uses this interface to separate temporal processing, residual-ready local geometric association, estimator formulation, and map-update policy. A LiDAR--IMU instantiation is developed to examine the framework under mixed-rate sensing and directional degeneracy, where high-rate inertial propagation, LiDAR-triggered geometric update, residual screening, and degeneracy-aware correction operate through the same interface boundaries. On a 418~m loop-corridor sequence, the instantiation reports a 1.626 m end-to-end trajectory error, corresponding to a 7.9% relative error reduction compared with Faster-LIO, the lowest-error baseline on this sequence. The results support FUSE as a framework for organizing state-estimation design choices and show how the evaluated instantiation regularizes updates along weakly observable directions.
- Abstract（参考訳）: 混合レートセンシングの下での密結合SLAMの定式化は、時間的処理、局所幾何学的関連、推定器の定式化、マップ更新ポリシーをメソッド固有の設計に結合することが多い。
このようなバインディングは、状態推定プロセスの残りの部分を再設計することなく、1つの設計選択を変更するのを難しくする。
本稿では,車両およびロボットSLAMシステムにおける状態推定の統一化のためのフレームワークであるFUSEを提案する。
FUSEは、観測摂取、伝播、更新、状態クエリに関する状態推定インターフェースを編成し、このインターフェースを使用して、時間的処理、残留可読な局所幾何学的関連、推定器の定式化、マップ更新ポリシーを分離する。
LiDAR-IMUのインスタンス化は、高速度慣性伝播、LiDARトリガー付き幾何更新、残留スクリーニング、デジェネラシー認識補正が同じインターフェース境界を介して動作する混合レートセンシングおよび指向性デジェネリシーの下でフレームワークを調べるために開発された。
418~mのループ補正シーケンスでは、このシーケンスの最下位のエラーベースラインであるFaster-LIOと比較して7.9%の相対的なエラー削減に対応する1.626mの終端軌道誤差が報告される。
その結果、状態推定設計選択を整理するためのフレームワークとしてFUSEをサポートし、評価されたインスタンス化が、弱い観測可能な方向に沿って更新を規則化する方法を示している。
関連論文リスト
- POST: Prior-Observation Adversarial Learning of Spatio-Temporal Associations for Multivariate Time Series Anomaly Detection [10.26613829763125]
本稿では,先行観測学習パラダイムを統一する新しいフレームワークを提案する。
空間次元において、モデルはトレーニング中に、事前観測とデータ駆動観測の相違を最小限の方法で再構成する。
このような逆最適化は、時間的検出に対するモデルの感度を向上するだけでなく、特定のチャネルに異常をローカライズすることを可能にする。
論文 参考訳（メタデータ） (2026-05-18T09:34:14Z) - VFM-SDM: A vision foundation model-based framework for training-free, marker-free, and calibration-free structural displacement measurement [3.249896562460654]
視覚基礎モデルに基づく構造変位測定フレームワーク(VFMSDM)
本研究では,VFMSDMのためのビジョンファウンデーションモデルに基づく構造変位測定フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-10T17:51:05Z) - Temporal Structure Matters for Efficient Test-Time Adaptation in Wearable Human Activity Recognition [0.20391237204597365]
テスト時間適応(TTA)は、実世界のクロスユーザー分散シフト下での性能低下を緩和する。
既存の手法は主に視覚タスクから仮定を継承し、WHARストリームに固有のウィンドウ間時間構造を過小評価する。
本稿では,WHARのための軽量かつバックプロパゲーションフリーなTTAフレームワークであるSIGHTを提案する。
論文 参考訳（メタデータ） (2026-05-06T08:06:27Z) - Distributed Learning of Quantum State Tomography Robust to Readout Errors [28.619101416652395]
本稿では,読み出し誤差を伴う共同領域量子状態トモグラフィのための統合フレームワークを提案する。
多重ビットシステムは重なり合う領域に分割され、各領域は局所密度演算子と局所混乱行列に割り当てられる。
共同推定は, 固定可読化による状態回復を向上し, オラクル性能のかなりの部分を回復し, 状態推定性能, 通信性能, 計算性能の明確なトレードオフを明らかにする。
論文 参考訳（メタデータ） (2026-04-15T21:22:08Z) - Consistent and Efficient MSCKF-based LiDAR-Inertial Odometry with Inferred Cluster-to-Plane Constraints for UAVs [46.21996481591401]
本稿では,UAVに適した一貫した,効率的なLiDAR-Inertial Odometryフレームワークを提案する。
スライディングウインドウのコプラナー制約にヌル空間プロジェクションを適用することにより、状態ベクトルにおける特徴パラメータへの直接依存を排除できる。
退化シナリオにおける堅牢性の向上,マップのない性質によるメモリ使用量の最小化,リソース制約の組込みプラットフォーム上でのリアルタイム実行などを実現している。
論文 参考訳（メタデータ） (2026-03-13T11:09:50Z) - Knowledge-Informed Kernel State Reconstruction for Interpretable Dynamical System Discovery [46.9843470803458]
MAAT (Model Aware Approximation of Trajectories) は知識情報に基づくカーネル状態再構成に基づくシンボル発見のためのフレームワークである。
下流のシンボルレグレッションで用いられる軌道や微分に対する状態推定MSEを著しく低減する。
論文 参考訳（メタデータ） (2026-01-29T21:15:52Z) - Distributed Dynamic Associative Memory via Online Convex Optimization [42.94410959330529]
連想メモリ(AM)はキュー応答リコールを可能にしており、最近、トランスフォーマーのようなモダンなニューラルアーキテクチャの基礎となる重要なメカニズムとして認識されている。
本研究では、分散動的連想メモリ(DDAM)の概念を導入し、従来のAMを複数のエージェントと時間変化データストリームによる設定に拡張する。
DDAMでは、各エージェントは独自のアソシエーションを格納するだけでなく、特定の関心行列に基づいて他のエージェントからの情報を選択的に記憶するローカルAMを維持している。
DDAM-TOGDと呼ばれる木に基づく分散勾配オンライン降下アルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-11-28T16:56:18Z) - Deep Reinforcement Learning for IRS Phase Shift Design in
Spatiotemporally Correlated Environments [93.30657979626858]
本稿では,チャネル相関と目的地動きを考慮したディープアクター批判アルゴリズムを提案する。
チャネルが時間的に相関している場合、コンバージェンスを抑制する方法において、関数近似を伴う状態表現にSNRを組み込むことが示される。
論文 参考訳（メタデータ） (2022-11-02T22:07:36Z) - Robust Self-Supervised LiDAR Odometry via Representative Structure
Discovery and 3D Inherent Error Modeling [67.75095378830694]
そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。
本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。
我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
論文 参考訳（メタデータ） (2022-02-27T12:52:27Z) - 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。