論文の概要: Motor Angular Speed Preintegration for Multirotor UAV State Estimation
- arxiv url: http://arxiv.org/abs/2606.19929v1
- Date: Thu, 18 Jun 2026 08:29:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-19 18:23:39.730455
- Title: Motor Angular Speed Preintegration for Multirotor UAV State Estimation
- Title（参考訳）: マルチロータUAV状態推定のためのモータ角速度事前積分
- Authors: Matěj Petrlík, Filip Novák, Robert Pěnička, Martin Saska,
- Abstract要約: 正確な状態推定は、UAVのアジャイルおよびほぼ不安定な飛行を可能にする厳密なフィードバック制御に不可欠である。
運動速度から得られる加速度の事前積分に基づく新しい手法を提案する。
この方法で得られた加速度は、IMUを含まずにより正確な精度を達成するために、それ自体で状態伝播に利用できることを示す。
- 参考スコア（独自算出の注目度）: 3.5945543871230274
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A precise state estimate is crucial for a tight feedback control that enables agile and near-obstacle flights of UAVs. The state-of-the-art methods fuse slow pose measurements with high-frequency inertial measurements to obtain a precise state estimate. However, the inertial measurements from the IMU onboard the UAV are degraded by vibrations from spinning propellers and the precision of the estimated state suffers. We propose a novel approach based on the preintegration of accelerations obtained from motor speeds. We show that the accelerations obtained in this manner can be used for state propagation on their own to achieve better precision without including the IMU. Further, we propose a factor composed of the preintegrated motor speeds that can be directly employed in factor graph optimization frameworks. We combine our factor with LiDAR measurements into the proposed Motor Angular Speed LiDAR Odometry (MAS-LO) algorithm for precise state estimation, which we open-source. Lastly, we evaluate the estimation precision against a state-of-the-art inertial algorithm LIO-SAM to show 28% improvement in position and 65% in velocity estimation accuracy, 14% lower measurement lag, and high robustness to wrong parameter values.
- Abstract（参考訳）: 正確な状態推定は、UAVのアジャイルおよびほぼ不安定な飛行を可能にする厳密なフィードバック制御に不可欠である。
最先端の手法は、遅いポーズ測定を高周波慣性測定で融合させ、正確な状態推定値を得る。
しかし、UAV搭載IMUの慣性測定は回転プロペラの振動によって劣化し、推定状態の精度が低下する。
運動速度から得られる加速度の事前積分に基づく新しい手法を提案する。
この方法で得られた加速度は、IMUを含まずにより正確な精度を達成するために、それ自体で状態伝播に利用できることを示す。
さらに,因子グラフ最適化フレームワークに直接適用可能な前積分モータ速度からなる因子を提案する。
我々はこの因子をLiDAR測定と組み合わせて,提案したMass Angular Speed LiDAR Odometry (MAS-LO)アルゴリズムを用いて正確な状態推定を行い,オープンソース化した。
最後に,最新の慣性アルゴリズム LIO-SAM による評価精度を評価し,28% の精度向上,65% の速度推定精度,14% の低遅延,誤パラメータ値に対する堅牢性を示した。
関連論文リスト
- Stretch-ICP: A Continuous-Trajectory Registration and Deskewing Algorithm in Scenarios of Aggressive Motions [6.270809447204512]
不均一または滑りやすい地形における安定性の喪失は、極端な加速と角速度を引き起こす。
メカニカルライダーと慣性測定ユニット(IMU)が丘を転がり落ちる様子を収録したTumbling-induced Gyroscope Saturationデータセットを紹介した。
データセットには、類似データセットの最大4倍の角速度が含まれており、公開されている。
論文 参考訳（メタデータ） (2026-05-17T05:13:18Z) - UNRIO: Uncertainty-Aware Velocity Learning for Radar-Inertial Odometry [16.577608323279662]
UNRIOは、不確実性を認識したレーダー慣性オドメトリーシステムである。
生のmmWaveレーダーIQ信号から直接エゴ速度を推定する。
論文 参考訳（メタデータ） (2026-04-15T07:43:06Z) - AI-IO: An Aerodynamics-Inspired Real-Time Inertial Odometry for Quadrotors [7.235882639523209]
慣性オドメトリー(IO)は、慣性測定単位(IMU)のみに依存するため、四重項応用において注目を集めている。
本研究では,慣性オドメトリー学習問題に対して,異なる視点からアプローチする。
ロータ速度測定を取り入れることで,速度予測精度を36.9%向上する。
論文 参考訳（メタデータ） (2026-02-28T11:17:09Z) - TacoDepth: Towards Efficient Radar-Camera Depth Estimation with One-stage Fusion [54.46664104437454]
一段核融合を用いた効率的かつ正確なレーダ・カメラ深度推定モデルであるTacoDepthを提案する。
具体的には、グラフベースのRadar構造抽出器とピラミッドベースのRadar融合モジュールを設計する。
従来の最先端のアプローチと比較して、TacoDepthは深さ精度と処理速度を12.8%、91.8%改善している。
論文 参考訳（メタデータ） (2025-04-16T05:25:04Z) - Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。
その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2023-01-19T20:04:36Z) - StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。
本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。
本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
論文 参考訳（メタデータ） (2022-07-21T12:03:02Z) - Doppler velocity-based algorithm for Clustering and Velocity Estimation
of moving objects [11.328509097182895]
本稿では,FMCW LiDARの特性に基づくドップラー速度クラスタと速度推定アルゴリズムを提案する。
提案アルゴリズムは,少なくとも4.5万個の点を処理し,3600x CPUの演算パワーで毎秒150個の移動物体の速度を推定できることを示す。
論文 参考訳（メタデータ） (2021-12-24T07:57:28Z) - Hybrid Physics and Deep Learning Model for Interpretable Vehicle State
Prediction [75.1213178617367]
深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。
ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。
その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
論文 参考訳（メタデータ） (2021-03-11T15:21:08Z) - 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) - End-to-end Learning for Inter-Vehicle Distance and Relative Velocity
Estimation in ADAS with a Monocular Camera [81.66569124029313]
本稿では,ディープニューラルネットワークのエンドツーエンドトレーニングに基づくカメラによる車間距離と相対速度推定手法を提案する。
提案手法の重要な特徴は,2つの時間的単眼フレームによって提供される複数の視覚的手がかりの統合である。
また,移動場における視線歪みの影響を緩和する車両中心サンプリング機構を提案する。
論文 参考訳（メタデータ） (2020-06-07T08:18:31Z)
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。