論文の概要: BLENDS: Bayesian Learning-Enhanced Deep Smoothing for GNSS-Denied Environments
- arxiv url: http://arxiv.org/abs/2606.22456v1
- Date: Sun, 21 Jun 2026 12:00:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 14:53:30.418845
- Title: BLENDS: Bayesian Learning-Enhanced Deep Smoothing for GNSS-Denied Environments
- Title（参考訳）: BLENDS: ベイズ学習によるGNSS環境の深層スムース化
- Authors: Nadav Cohen, Itzik Klein,
- Abstract要約: 本稿では,学習した共分散適応と状態補正によりベイズ平滑化を増強するトランスフォーマーベースのフレームワークを提案する。
提案手法は,データ駆動学習を活用してナビゲーション精度を向上させるとともに,ベイズ推定の統計的基礎を保存する。
機能停止を伴う四重項データセットの評価は、BLENDSがモデルベースのスムースナーを一貫して上回り、位置根の平均平方誤差を最大25.6%改善することを示した。
- 参考スコア（独自算出の注目度）: 8.510813384980262
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Maintaining accurate navigation during GNSS outages remains a significant challenge for autonomous systems relying on low-cost inertial sensors. While classical smoothing methods, such as the two-filter smoother and Rauch-Tung-Striebel smoother, exploit measurements collected before and after an outage, their performance remains limited by the accuracy of conventional GNSS measurements. This paper presents Bayesian learning-enhanced navigation with deep smoothing (BLENDS), a transformer-based framework that augments Bayesian smoothing with learned covariance adaptation and state correction. The proposed method preserves the statistical foundations of Bayesian estimation while leveraging data-driven learning to improve navigation accuracy. Evaluations on the quadrotor dataset with GNSS outages demonstrate that BLENDS consistently outperforms both model-based smoothers, achieving up to 25.6% improvement in the position root mean square error while also reducing estimation uncertainty. Furthermore, BLENDS learns to compensate for the systematic bias between conventional GNSS positioning and RTK ground truth, enabling accuracy beyond that achievable with conventional GNSS measurements alone. The results demonstrate the potential of learning-enhanced Bayesian smoothing for resilient and high-accuracy navigation in GNSS-challenged environments.
- Abstract（参考訳）: GNSSの停止時に正確なナビゲーションを維持することは、低コストの慣性センサーに依存する自律システムにとって重要な課題である。
2フィルタスムース化やラウチ・ツング・ストリーベルスムース化といった古典的スムース化手法は, 停止前後に収集した測定値を活用するが, 従来のGNSS測定値の精度によって性能が制限されている。
本稿では,学習共分散適応と状態補正によりベイズ的平滑化を促進させるトランスフォーマーベースのフレームワークであるBLENDS(Deep smoothing)を用いたベイズ的学習強調ナビゲーションを提案する。
提案手法は,データ駆動学習を活用してナビゲーション精度を向上させるとともに,ベイズ推定の統計的基礎を保存する。
GNSSの故障による4乗子データセットの評価は、BLENDSがモデルベースのスムースナーを一貫して上回り、位置根の平均平方誤差を最大25.6%改善し、推定の不確実性を低減していることを示している。
さらに、BLENDSは従来のGNSS測位とRTK地上の真理の間の体系的バイアスを補償することを学び、従来のGNSS測度だけで達成可能な以上の精度を実現する。
その結果, GNSS環境下での回復性, 高精度ナビゲーションのための学習型ベイズ平滑化の可能性が示された。
関連論文リスト
- Loosely Coupled Factor Graph Optimization for Pseudolite-Augmented Navigation [3.5757009186345385]
本稿では、最小二乗法(LS)を慣性測定単位(IMU)データと融合する疎結合係数グラフ最適化フレームワークを提案する。
評価では、4つの高標高衛星と最大2つのPL送信機による低視認性シナリオを80sウィンドウ上で検討している。
a-IMUベースラインと比較すると、PL送信機は位置決め精度をさらに向上し、形状によって性能が向上する。
論文 参考訳（メタデータ） (2026-05-24T10:18:46Z) - 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) - Bayesian Learning-Enhanced Navigation with Deep Smoothing for Inertial-Aided Navigation [8.510813384980262]
BLENDSはデータ駆動のポストプロセッシングフレームワークで、トランスフォーマーベースのニューラルネットワークによって従来の2フィルタスムーズな拡張を行う。
BLENDSは、ベースライン前方EKFよりも最大63%の水平位置改善を実現している。
論文 参考訳（メタデータ） (2026-03-26T12:11:59Z) - Accurate Pedestrian Tracking in Urban Canyons: A Multi-Modal Fusion Approach [10.102277409472444]
このコントリビューションは、性能が劣化した都市環境における位置決め精度を向上させるために設計された歩行者ナビゲーション手法について述べる。
カメラによる視覚的位置決めの限界と非現実性に対処するため,慣性データの粒子フィルタによる融合を提案する。
このシステムは、歩道の正しさと位置推定誤差に関する3つの指標を用いて、サンフランシスコ中心街の6つの困難な歩行経路で評価された。
論文 参考訳（メタデータ） (2026-01-29T23:23:59Z) - Adaptive Factor Graph-Based Tightly Coupled GNSS/IMU Fusion for Robust Positionin [0.0]
密結合/IMU融合はロバスト性を改善するが、非ガウスノイズや外れ値に弱いままである。
擬似距離測定とIMU事前積分係数を統合した,頑健で適応的な因子グラフに基づく融合フレームワークを提案する。
提案手法は,標準FGOと比較して最大41%の精度で位置決め誤差を低減し,調整可能な都市環境における拡張カルマンフィルタ(EKF)よりもさらに大きな改善を実現する。
論文 参考訳（メタデータ） (2025-11-28T09:33:13Z) - Addressing Label Shift in Distributed Learning via Entropy Regularization [45.25670338948615]
マルチノード分散学習における真のリスクを最小限に抑えるという課題に対処する。
本稿では,テスト・ツー・トレインのラベル密度比の最大推定量を向上させるVersatile Robust Label Shift (VRLS)法を提案する。
論文 参考訳（メタデータ） (2025-02-04T18:14:27Z) - Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。
我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。
SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
論文 参考訳（メタデータ） (2024-06-10T21:44:52Z) - Angle Robustness Unmanned Aerial Vehicle Navigation in GNSS-Denied
Scenarios [66.05091704671503]
本稿では、ポイントツーポイントナビゲーションタスクにおける飛行偏差に対処する新しい角度ナビゲーションパラダイムを提案する。
また、Adaptive Feature Enhance Module、Cross-knowledge Attention-guided Module、Robust Task-oriented Head Moduleを含むモデルを提案する。
論文 参考訳（メタデータ） (2024-02-04T08:41:20Z) - Bias-Aware Minimisation: Understanding and Mitigating Estimator Bias in
Private SGD [56.01810892677744]
DP-SGDにおいて,サンプルごとの勾配ノルムとプライベート勾配オラクルの推定バイアスの関連性を示す。
BAM(Bias-Aware Minimisation)を提案する。
論文 参考訳（メタデータ） (2023-08-23T09:20:41Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳（メタデータ） (2020-12-10T23:28:36Z) - Stochastic-Sign SGD for Federated Learning with Theoretical Guarantees [49.91477656517431]
量子化に基づく解法は、フェデレートラーニング(FL)において広く採用されている。
上記のプロパティをすべて享受する既存のメソッドはありません。
本稿では,SIGNSGDに基づく直感的かつ理論的に簡易な手法を提案し,そのギャップを埋める。
論文 参考訳（メタデータ） (2020-02-25T15:12:15Z)
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。