論文の概要: Wheel-Mounted/GNSS Fusion with AI-Aided Position Updates

• arxiv url: http://arxiv.org/abs/2606.03265v1
• Date: Tue, 02 Jun 2026 07:27:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.838095
• Title: Wheel-Mounted/GNSS Fusion with AI-Aided Position Updates
• Title（参考訳）: AI支援位置更新による車輪付/GNSS融合
• Authors: Gal Versano, Itzik Klein,
• Abstract要約: 本稿では,車輪搭載慣性センサ,周期軌道の強制,および誤差状態拡張カルマンフィルタにおける位置更新を伴う車両の変位を抑えることができる簡易かつ効率的なニューラルネットワークを統合したハイブリッドニューラル慣性ナビゲーションフレームワークを提案する。 実験結果から,本手法は位置決め精度を向上し,標準の車輪搭載慣性センサ融合と比較して根平均2乗誤差を約46 %削減できることがわかった。
• 参考スコア（独自算出の注目度）: 5.5217350574838875
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and robust localization remains a fundamental challenge for autonomous ground vehicles. In this work, we propose a hybrid neural inertial navigation framework that integrates a wheel-mounted inertial sensors, enforced periodic trajectories, and a simple, efficient neural network capable of regressing vehicle displacement with GNSS position updates in an error-state extended Kalman filter. The periodic trajectories increase the inertial signal-to-noise ratio, allowing the network to use only inertial readings to estimate displacement. The approach is validated through real-world experiments using multiple wheel-mounted inertial sensors. Experimental results demonstrate that the proposed method achieves a significant improvement in positioning accuracy, reducing the position root mean squared error by approximately 46 % compared to standard wheel-mounted inertial sensor fusion with GNSS updates.
• Abstract（参考訳）: 正確なローカライゼーションとロバストなローカライゼーションは、自動運転車の基本的な課題である。 本研究では,車輪搭載慣性センサ,周期軌道の強制,およびGNSS位置更新による車両変位の抑制が可能な簡易かつ効率的なニューラルネットワークを,誤差状態拡張カルマンフィルタで統合したハイブリッドニューラル慣性ナビゲーションフレームワークを提案する。 周期軌道は慣性信号-雑音比を増大させ、ネットワークは慣性信号のみを使用して変位を推定できる。 この手法は、複数の車輪搭載慣性センサーを用いた実世界の実験を通じて検証される。 実験の結果,提案手法は位置決め精度を大幅に向上し,GNSS更新による標準車輪搭載慣性センサ融合と比較して,位置根平均2乗誤差を約46 %低減することがわかった。

関連論文リスト

• Enhanced INS/GNSS State Estimation using GNSS-Based Acceleration Measurements [5.5217350574838875]
  そこで本研究では,過去の計測をモーションモデルと併用して,車両のアクセラレーション情報を抽出する手法を提案する。 この加速度測定をINS/GNSSフィルタに統合し、堅牢性と精度を向上させる。 その結果、標準位置支援フィルタと比較して、一貫した位置決め精度の向上が示された。
  論文  参考訳（メタデータ） (2026-05-23T23:04:30Z)
• PDRNN: Modular Data-driven Pedestrian Dead Reckoning on Loosely Coupled Radio- and Inertial-Signalstreams [2.4897806364302633]
  センサデータストリームを暗黙的に予測できるシンプルなリカレントニューラルネットワーク(RNN)アーキテクチャを提案する。 提案手法では,各コンポーネントを機械学習(ML)モデルの独立したアンサンブルとして扱うモジュール型ハイブリッドAI支援PDRシステムであるPDRNNを導入する。 動的スポーツ運動データを用いた実験により,PDRNNは従来のML法やML法に比べて精度と精度が優れていることが示された。
  論文  参考訳（メタデータ） (2026-05-14T16:35:57Z)
• 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)
• A brain-inspired information fusion method for enhancing robot GPS outages navigation [5.430077228813539]
  低コスト慣性航法システム(INS)は、センサバイアスや測定ノイズの傾向が強い。 本稿では、スパイキングニューラルネットワーク(SNN)に基づく脳誘発GPS/INS融合ネットワーク(BGFN)を提案する。
  論文  参考訳（メタデータ） (2026-01-13T06:02:17Z)
• 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)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
  我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。 グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。 我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
  論文  参考訳（メタデータ） (2025-06-23T14:28:30Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Learning Car Speed Using Inertial Sensors [0.0]
  ディープニューラルネットワーク(DNN)は、都市部で運転する車の速度を推定するために訓練される。 イスラエルのアシュドッド市では、グローバルなナビゲーション衛星システムを備えた車で3時間分のデータを収集した。 トレーニングされたモデルでは、位置更新を使わずに、4分間のドライブで位置精度を大幅に向上することが示されている。
  論文  参考訳（メタデータ） (2022-05-15T17:46:59Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)

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。