論文の概要: IMU Propagation as Preintegration

• arxiv url: http://arxiv.org/abs/2605.28279v1
• Date: Wed, 27 May 2026 10:21:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.971861
• Title: IMU Propagation as Preintegration
• Title（参考訳）: プレインテグレーションとしてのIMU伝播
• Authors: Jianzhu Huai,
• Abstract要約: IMU事前積分は、因子グラフに基づく視覚-慣性、ライダー-慣性、レーダー-慣性状態推定に広く用いられている。 このノートは、IMU事前積分と伝播が、同じ基礎となる計算の等価な実現であることを示している。
• 参考スコア（独自算出の注目度）: 1.3325600043256551
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: IMU preintegration is widely used in factor-graph-based visual--inertial, lidar--inertial, and radar--inertial state estimation, yet it is often treated as a specialized implementation separate from conventional IMU propagation. This note shows that IMU preintegration and propagation are equivalent realizations of the same underlying computation. We present a convention-agnostic view in which the preintegrated measurement, bias Jacobians, and covariance can be obtained by wrapping an existing IMU propagation routine, while a preintegration module can conversely recover state-transition matrices and propagated covariances. This perspective simplifies the reuse of existing propagation code, supports translation across different error-state definitions, and provides practical consistency checks for preintegration implementations. Experiments with random IMU sequences demonstrate close agreement between an RK4-based propagation implementation and GTSAM's tangent and manifold preintegration modules in the recovered Jacobians, covariances, and transition matrices.
• Abstract（参考訳）: IMU事前積分は、因子グラフに基づくビジュアル・慣性、ライダー・慣性、レーダー・慣性状態推定において広く用いられているが、従来のIMU伝搬とは別個の特殊実装として扱われることが多い。 このノートは、IMU事前積分と伝播が、同じ基礎となる計算の等価な実現であることを示している。 本稿では,既存のIMU伝搬ルーチンをラップすることで,事前積分測定,バイアスジャコビアン,共分散が得られ,事前積分モジュールは逆に状態遷移行列と伝播共分散を復元できる,という慣習に依存しない視点を提案する。 この観点は、既存の伝搬コードの再利用を単純化し、異なるエラー状態定義の翻訳をサポートし、事前統合実装のための実用的な一貫性チェックを提供する。 ランダムなIMU配列を用いた実験では、RK4ベースの伝搬実装とGTSAMの接点および多様体事前積分加群と、復元されたヤコビアン、共分散、遷移行列との密接な一致が示されている。

関連論文リスト

• Mixture Prototype Flow Matching for Open-Set Supervised Anomaly Detection [41.96735569500412]
  Open-set supervised Anomaly Detection (OSAD) は、限られた異常監視を用いて、目に見えない異常を識別することを目的としている。 通常の特徴分布から構造付きガウス混合プロトタイプ空間への連続的な変換を学習するフレームワークを提案する。 MPFMは、シングルおよびマルチアノマリー設定の両方で、様々なベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-04T10:36:43Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• Towards Generalizable Deepfake Detection via Real Distribution Bias Correction [62.89674593681203]
  本稿では,2つの主要コンポーネントからなるReal Distribution Bias Correction(RDBC)フレームワークを紹介する。 RDBCは、ドメイン内およびクロスドメインのディープフェイク検出の両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-14T16:11:00Z)
• Variance-Gated Ensembles: An Epistemic-Aware Framework for Uncertainty Estimation [0.6340400318304492]
  VGE(Variance-Gated Ensembles)は、アンサンブル統計から計算した信号-雑音ゲートを介して、てんかん感受性を注入する直感的なフレームワークである。 我々は、アンサンブルサンプル平均と分散によるエンドツーエンドのトレーニングを可能にする閉形式ベクトル-ヤコビアン積を導出した。
  論文  参考訳（メタデータ） (2026-02-08T22:05:23Z)
• Effective Test-Time Scaling of Discrete Diffusion through Iterative Refinement [51.54933696252104]
  離散拡散に適した新しいテスト時間スケーリング手法であるイテレーティブ・リワードガイドリファインメント(IterRef)を導入する。 我々は、このプロセスをMultiple-Try Metropolisフレームワークで形式化し、報酬整合分布への収束を証明した。 IterRefは計算予算の低さで大幅に上昇し、最先端のベースラインをはるかに超えている。
  論文  参考訳（メタデータ） (2025-11-04T02:33:23Z)
• Uniform Transformation: Refining Latent Representation in Variational Autoencoders [7.4316292428754105]
  本稿では,不規則な潜伏分布に対応するために,新しい適応型3段階一様変換(UT)モジュールを提案する。 この手法は不規則分布を潜在空間の均一分布に再構成することにより、潜在表現の絡み合いと解釈可能性を大幅に向上させる。 実験により,提案するUTモジュールの有効性を実証し,ベンチマークデータセット間の絡み合いの指標を改良した。
  論文  参考訳（メタデータ） (2024-07-02T21:46:23Z)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• Learning Multimodal VAEs through Mutual Supervision [72.77685889312889]
  MEMEは、相互監督を通じて暗黙的にモダリティ間の情報を結合する。 我々は、MEMEが、部分的および完全観察スキームの双方で標準メトリクスのベースラインを上回ることを実証する。
  論文  参考訳（メタデータ） (2021-06-23T17:54:35Z)
• Posterior-Aided Regularization for Likelihood-Free Inference [23.708122045184698]
  後補助正規化(PAR)は,モデル構造に関係なく,密度推定器の学習に適用可能である。 単一のニューラルネットワークを用いて逆KL項と相互情報項の両方を推定するPARの統一推定方法を提供する。
  論文  参考訳（メタデータ） (2021-02-15T16:59:30Z)
• Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
  ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。 本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。 本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
  論文  参考訳（メタデータ） (2021-02-04T02:21:08Z)

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。