論文の概要: Online Learning of Robust Legged Odometry with Minimal Exteroceptive Supervision
- arxiv url: http://arxiv.org/abs/2606.21669v1
- Date: Fri, 19 Jun 2026 18:20:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 04:07:06.207064
- Title: Online Learning of Robust Legged Odometry with Minimal Exteroceptive Supervision
- Title（参考訳）: 極小外感性スーパービジョンを用いたロバストレッグドオドメトリーのオンライン学習
- Authors: Abhijeet M. Kulkarni, Yuze Du, Guoquan Huang,
- Abstract要約: 工業的にパッケージされた外部受動的センサーは正確なモーショントラッキングを提供することができるが、知覚的に劣化した状況に弱いままである。
プラグアンドプレイで頑健な脚型オドメトリーシステムを開発し,外受容・プロプリセプティブ・キャリブレーションやシステムキネマティック・モデリングの必要性を排除した。
プラットフォームに依存しない、容易にデプロイ可能なアプローチを、異なる4つのプラットフォームに示す。
- 参考スコア（独自算出の注目度）: 7.541859903866144
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Robust locomotion and navigation for legged robots relies heavily on dependable odometry. Traditional multi-sensor fusion for such state estimation requires meticulous sensor calibration and platform-specific kinematic modeling, which complicates deployment. Industrially packaged exteroceptive sensors can provide accurate motion tracking but remain vulnerable to perceptually degraded conditions. We thus develop a plug-and-play, robust legged odometry system that eliminates the need for explicit exteroceptive-to-proprioceptive calibration or system kinematic modeling. Our approach leverages established exteroceptive motion pipelines as a continuous supervisory signal to train an online learned velocity neural network directly from proprioceptive data. An Invariant EKF (InEKF) is then used to fuse the learned proprioceptive or exteroceptive velocity (if any) and IMU data. When exteroception fails due to environmental degradation, the system seamlessly falls back to using the learned proprioceptive model, yielding a resilient legged odometry that readily adapts to new hardware. We demonstrate the platform-agnostic, easily deployable nature of our approach on different quadruped platforms, showcasing promising results in maintaining robust motion estimation across challenging scenarios.
- Abstract（参考訳）: 脚のついたロボットのロバストな移動とナビゲーションは、信頼できる身体計測に大きく依存している。
このような状態推定のための従来のマルチセンサー融合では、精密なセンサーキャリブレーションとプラットフォーム固有のキネマティックモデリングが必要であり、デプロイが複雑になる。
工業的にパッケージされた外部受動的センサーは正確なモーショントラッキングを提供することができるが、知覚的に劣化した状況に弱いままである。
そこで我々は,プラグアンドプレイで頑健な脚型オドメトリーシステムを開発し,外受容・プロプリセプティブ・キャリブレーションやシステムキネマティック・モデリングの必要性を排除した。
提案手法では,既存の外受容運動パイプラインを連続的な監視信号として利用し,プロテアーゼデータから直接オンライン学習速度ニューラルネットワークをトレーニングする。
不変EKF(Invariant EKF)は、学習された受容性または外受容性速度(もしあれば)とIMUデータを融合するために使用される。
環境劣化により外部受容が失敗すると、システムは学習された受容モデルにシームレスにフォールバックし、新しいハードウェアに容易に適応する弾力性のある脚のオードメトリーを生み出す。
我々は, プラットフォームに依存しない, 容易にデプロイ可能なアプローチの性質を, 異なる4つのプラットフォームに示し, 挑戦するシナリオをまたいだ堅牢な動き推定を維持する上で, 有望な結果を示す。
関連論文リスト
- FAST-LIVGO: A Degeneracy-Robust LiDAR-Inertial-Visual-GNSS Fusion Odometry [14.641801914375163]
ロボット工学において、長期、大規模、高度にダイナミックな環境における状態推定とマッピングが重要な課題である。
既存のLiDAR-In-ertial-Visual Odometry (LIVO) システムは、強い局所精度を実現するが、長距離で蓄積したドリフトに悩まされる。
本稿では,これらの制約に対処するために,エラー状態反復カルマンフィルタに基づくLiDAR支援融合フレームワークを提案する。
我々のシステムは、蓄積したドリフトとマップゴーストを低減し、精度とロバスト性において最先端の手法より優れる。
論文 参考訳（メタデータ） (2026-06-17T15:33:11Z) - Uncertainty-Aware Adaptive Sensor Fusion for Autonomous Navigation [0.0]
この研究は、視覚慣性オドメトリー(VIO)の自律ナビゲーションにおけるポーズ推定精度を高めるために、Unscented Kalman Filter (UKF)と統合されたハイブリッドディープラーニングアプローチを導入する。
提案モデルでは、慣性計測ユニット(IMU)データから時間的依存を効果的に捉えるために、ViT(Vision Transformer)ネットワークを使用している。
予測不確実性を学習プロセスに明示的に組み込むことにより,ノイズ,不完全,信頼できないセンサ入力下での堅牢かつ正確なナビゲーションを可能にする。
論文 参考訳（メタデータ） (2026-06-03T20:59:42Z) - ICD-Net: Inertial Covariance Displacement Network for Drone Visual-Inertial SLAM [5.5217350574838875]
視覚-慣性SLAM性能を向上させる新しいフレームワークであるICD-Netを提案する。
従来のVINS-Fusionと比較して,軌道推定精度は有意に向上した。
ニューラルネットワークの強化は,SLAM劣化の複数の要因に効果的に対処できることを示す。
論文 参考訳（メタデータ） (2025-11-13T11:25:02Z) - From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。
メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
論文 参考訳（メタデータ） (2025-09-25T14:15:43Z) - Detection and Recovery of Adversarial Slow-Pose Drift in Offloaded Visual-Inertial Odometry [0.0]
エッジサーバにVIOをオフロードする現在のトレンドは、サーバ側の脅威表面を導く可能性がある。
非教師付きラベルなし検出・回復機構を提案する。
ILLIXRテストベッドを用いたリアルオフロードVIO環境におけるアプローチの評価を行った。
論文 参考訳（メタデータ） (2025-09-08T18:31:40Z) - Sensor-fusion based Prognostics for Deep-space Habitats Exhibiting Multiple Unlabeled Failure Modes [1.5379084885764847]
深宇宙の生息地は、地上のメンテナンスなしに長期にわたって自律的に運用しなければならない複雑なシステムである。
これらのシステムは、モード固有の方法で異なるサブシステムやセンサーに影響を与える複数の、しばしば未知の障害モードに対して脆弱である。
本稿では,潜在故障モードを共同で識別し,情報センサを選択する,教師なしの診断フレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-19T01:52:59Z) - Online Learning of Wheel Odometry Correction for Mobile Robots with
Attention-based Neural Network [63.8376359764052]
現代のロボットプラットフォームは、人間の横で毎日運用するために、信頼性の高いローカライゼーションシステムを必要としている。
フィルタされた車輪と慣性オドメトリーに基づく単純なポーズ推定アルゴリズムは、急激なキネマティックな変化とホイールスリップの存在下で失敗することが多い。
本稿では,車輪形状補正のための革新的なオンライン学習手法を提案し,ロバストなマルチソースローカライゼーションシステムを提案する。
論文 参考訳（メタデータ） (2023-03-21T10:30:31Z) - Visual-tactile sensing for Real-time liquid Volume Estimation in
Grasping [58.50342759993186]
変形性容器内の液体をリアルタイムに推定するためのビジュオ触覚モデルを提案する。
我々は、RGBカメラからの生の視覚入力と、特定の触覚センサーからの触覚手がかりの2つの感覚モードを融合する。
ロボットシステムは、推定モデルに基づいて、リアルタイムで適切に制御され、調整される。
論文 参考訳（メタデータ） (2022-02-23T13:38:31Z) - Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。
コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。
その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
論文 参考訳（メタデータ） (2021-01-26T16:01:02Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z)
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。