論文の概要: MosaicIMU: Composing Carrier Experts for Generalizable Neural Inertial Odometry

• arxiv url: http://arxiv.org/abs/2606.09355v1
• Date: Mon, 08 Jun 2026 11:29:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.943144
• Title: MosaicIMU: Composing Carrier Experts for Generalizable Neural Inertial Odometry
• Title（参考訳）: MosaicIMU:一般用ニューラル慣性オドメトリーのためのキャリアエキスパートの構成
• Authors: Junye Zou, Huiyi Yan, Xinning Xu, Xiaolei Li, Pengkun Zhou, Jinhui Zhang, Ziyang Meng,
• Abstract要約: 本稿では,キャリア条件のMixture-of-Experts(MoE)プレトレーニング・アンド・アダプティブフレームワークであるMosaicIMUについて紹介する。 MoIMUは、キャリア固有の専門家機能を構成するためにプロトタイプベースのルータを使用し、局所速度と不確実性制約をデコードし、それを履歴対応のEKFと統合する。 実験の結果、MosaicIMUは学習ベースラインを一貫して上回り、平均ATEとRTE-10をそれぞれ40%、RTE-10を34%削減した。
• 参考スコア（独自算出の注目度）: 2.9352633589089634
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust inertial odometry is essential for various carriers when external sensing is unreliable. Learning-based methods reduce integration drift by capturing local motion priors, but these methods often remain tied to a particular carrier, limiting generalization across heterogeneous platforms. We present MosaicIMU, a carrier-conditioned Mixture-of-Experts (MoE) pretraining-and-adaptation framework for generalizable neural inertial odometry. MosaicIMU uses a prototype-based router to compose carrier-specific expert features, decodes local velocity and uncertainty constraints, and integrates them with a history-aware EKF. For unseen domain adaptation, it freezes the pretrained base model and learns a new lightweight expert residual branch. For edge-deployment, it further reuses the router to select informative online samples for efficient incremental updates. Experiments show that MosaicIMU consistently outperforms learning-based baselines, reducing average ATE and RTE-10s by 40% and 34%, respectively. These results highlight that MosaicIMU provides a scalable pretraining-to-deployment paradigm for generalizable and adaptive neural inertial odometry.
• Abstract（参考訳）: 外部センシングが信頼できない場合、様々なキャリアにとってロバスト慣性オドメトリーは不可欠である。 学習に基づく手法は、局所的な動きを捉えることによって統合のドリフトを減らすが、これらの手法は特定のキャリアに結びついており、不均一なプラットフォーム間の一般化を制限していることが多い。 本稿では,キャリア条件のMixture-of-Experts(MoE)プレトレーニング・アンド・アダプティブフレームワークであるMosaicIMUについて紹介する。 MosaicIMUは、キャリア固有の専門家機能を構成するためにプロトタイプベースのルータを使用し、局所速度と不確実性制約をデコードし、それを履歴対応のEKFと統合する。 目に見えないドメイン適応のために、事前訓練されたベースモデルを凍結し、新しい軽量専門家残枝を学ぶ。 エッジデプロイでは、ルータを再利用して、効率的なインクリメンタルアップデートのために、情報のあるオンラインサンプルを選択する。 実験の結果、MosaicIMUは学習ベースラインを一貫して上回り、平均ATEとRTE-10をそれぞれ40%、RTE-10を34%削減した。 これらの結果は、MosaicIMUが一般化可能な適応型ニューラル慣性オードメトリーのためのスケーラブルな事前訓練-展開パラダイムを提供することを示している。

関連論文リスト

• Dynamic Mixture of Latent Memories for Self-Evolving Agents [57.20419419302731]
  MoLEMは、動的混合(MoE)に基づく潜在メモリフレームワークの生成混合物である。 我々は、数学、科学、コードドメインにまたがる連続的な学習シーケンスに基づいて、このフレームワークを訓練する。 連続学習を完了した後、Vanilla事前学習ベースラインよりも平均精度を10.40%向上させる。
  論文  参考訳（メタデータ） (2026-05-21T03:35:10Z)
• MixSD: Mixed Contextual Self-Distillation for Knowledge Injection [29.7616760417696]
  Supervised Fine-tuning (SFT) は言語モデルに新しい知識を注入するために広く使われている。 このことは、人間や外部システムからの微調整対象が、モデルの自動回帰分布から逸脱するためである、と我々は主張する。 分布整合型知識注入のための簡易な外部教師なし手法であるMixSDを提案する。
  論文  参考訳（メタデータ） (2026-05-16T07:57:09Z)
• KISS-IMU: Self-supervised Inertial Odometry with Motion-balanced Learning and Uncertainty-aware Inference [4.238724345383632]
  慣性測定ユニット(IMU)は、ロボットシステムにおける基本的なセンシングモダリティとして機能する。 我々は,新しい自己教師型慣性オドメトリーフレームワーク KISS-IMU を提案する。 提案手法は,運動認識バランストレーニングによるIMUの安定維持と,不確実性駆動適応重み付けによるIMUの強化という2つの重要な原則を具体化したものである。
  論文  参考訳（メタデータ） (2026-03-06T12:22:14Z)
• Learning a Generative Meta-Model of LLM Activations [75.30161960337892]
  ネットワークの内部状態の分布を学習する"メタモデル"を作成します。 ステアリング介入前に学んだメタモデルを適用することで、損失が減少するにつれて、流速が向上する。 これらの結果は、生成的メタモデルが制限的な構造的仮定を伴わずに、解釈可能性へのスケーラブルな経路を提供することを示唆している。
  論文  参考訳（メタデータ） (2026-02-06T18:59:56Z)
• STARec: An Efficient Agent Framework for Recommender Systems via Autonomous Deliberate Reasoning [54.28691219536054]
  我々は、自律的な熟考的推論機能を備えたレコメンデータシステムを支援する、ゆっくり考えられた拡張エージェントフレームワークSTARecを紹介する。 我々は,先進的推論モデルと嗜好整合型報酬形成から構造化知識の蒸留を組み合わせた2段階のパラダイムであるアンカー強化訓練を開発する。 MovieLens 1MとAmazon CDsベンチマークの実験では、STARecは最先端のベースラインと比較して、大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-08-26T08:47:58Z)
• 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)
• Orthogonal Subspace Decomposition for Generalizable AI-Generated Image Detection [58.87142367781417]
  航法的に訓練された検出器は、限定的で単調な偽のパターンに過度に適合する傾向にあり、特徴空間は高度に制約され、低ランクになる。 潜在的な治療法の1つは、ビジョンファウンデーションモデルに事前訓練された知識を取り入れて、機能領域を広げることである。 主要なコンポーネントを凍結し、残ったコンポーネントのみを適用することで、フェイクパターンを学習しながら、トレーニング済みの知識を保存します。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [81.93945602120453]
  本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。 フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。 設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
  論文  参考訳（メタデータ） (2024-08-23T01:53:36Z)
• Boosting Adversarial Training via Fisher-Rao Norm-based Regularization [9.975998980413301]
  本稿では,ロバスト性と精度のトレードオフを軽減するため,LOAT(Logit-Oriented Adversarial Training)と呼ばれる新たな正規化フレームワークを提案する。 実験により,提案した正規化戦略により,有意な対向学習アルゴリズムの性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-03-26T09:22:37Z)

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。