論文の概要: A Closed-Form 4-DoF Inter-Robot Pose Estimator using Bearing-only Measurements

• arxiv url: http://arxiv.org/abs/2606.26616v1
• Date: Thu, 25 Jun 2026 05:20:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.178874
• Title: A Closed-Form 4-DoF Inter-Robot Pose Estimator using Bearing-only Measurements
• Title（参考訳）: 軸受のみの測定による閉形4-DoFロボット間姿勢推定器
• Abstract要約: ベアリング・オーソメトリに基づく協調的ローカライゼーションは、最小限のインフラ要件のため、研究の関心が高まりつつある。 既存の6-DoFアプローチは、正確で信頼性の高いロボット間ポーズ推定を迅速に取得する上で、依然として課題に直面している。 まず, 回転数推定の非線形制約を緩和し, 誤り予測を用いた4-DoFロボット間ポーズ推定器を提案する。
• 参考スコア（独自算出の注目度）: 4.166230342555111
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bearing-odometry-based cooperative localization has attracted increasing research interest due to its minimal infrastructure requirements, low communication bandwidth and broad applicability in complex environments. However, existing 6-DoF approaches still face challenges in rapidly obtaining accurate and reliable inter-robot pose estimation, as the system is prone to observability degeneracy under specific motion patterns. To address these issues, we first propose a closed-form 4-DoF inter-robot pose estimator, which relaxes nonlinear constraints for rotations estimation and employs error projection for translations estimation. We then conduct a theoretical analysis of the system's observability, identifying degeneracy under two typical motion patterns: collinear and shape-preserving formations. The analysis further shows that the proposed 4-DoF system requires less stringent motion excitation for observability, enabling reliable estimation under a broader range of cooperative maneuvers. Furthermore, an observability test module is introduced to autonomously determine the optimal estimation instant, eliminating reliance on a predefined fixed-length sliding window. Extensive simulations and real-world experiments demonstrate that the proposed algorithm achieves higher estimation accuracy with significantly low computational cost, and the observability test module ensures estimation reliability while minimizing the data collection interval.
• Abstract（参考訳）: ベアリング・オーソメトリに基づく協調的ローカライゼーションは, インフラ要件の最小化, 通信帯域の低化, 複雑な環境における広範な適用性などにより, 研究の関心が高まりつつある。 しかし、既存の6-DoFアプローチは、特定の動作パターンの下での観測可能性の縮退が難しくなるため、正確で信頼性の高いロボット間ポーズ推定を迅速に得るという課題に直面している。 これらの問題に対処するために、まず、回転推定のための非線形制約を緩和し、翻訳推定に誤り予測を用いる閉形式4-DoFポーズ推定器を提案する。 次に,このシステムの可観測性に関する理論的解析を行い,2つの典型的な運動パターン,コリニアと形状保存形成のデジェネシーを同定する。 解析により,提案した4-DoF系は可観測性に強い運動励起を必要とせず,より広い範囲の協調操作下での信頼性の高い推定が可能であることが示唆された。 さらに、オブザーバビリティテストモジュールを導入し、最適推定を瞬時に自律的に決定し、予め定義された固定長スライドウィンドウへの依存をなくす。 大規模シミュレーションと実世界の実験により,提案アルゴリズムは計算コストを大幅に削減して高い推定精度を実現し,可観測性試験モジュールはデータ収集間隔を最小化しながら推定信頼性を確保できることを示した。

関連論文リスト

• Bridging Predictive Uncertainty and Safe Action: Sample-Conditioned Differentiable Planning for Autonomous Driving [46.91409391705346]
  複雑でダイナミックでインタラクティブな運転環境は、自動運転に重大な課題をもたらす。 現在のシステムにおける基本的なボトルネックは、高度に表現力のある不確実性モデリングと解釈可能な安全な動き計画との切り離しである。 本稿では, このギャップを埋めるために, 拡散生成将来の軌道を最適化プロセスに明示的に組み込む, サンプル条件付き微分可能計画フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-02T08:10:02Z)
• CT-VIR: Continuous-Time Visual-Inertial-Ranging Fusion for Indoor Localization with Sparse Anchors [8.090575303185078]
  本稿では,視覚慣性配列(VIR)融合ローカライゼーションのための連続時間状態推定法を提案する。 イントロダクタ、ビジュアル、およびレンジリング制約は、スライドウインドウグラフの因子として定式化される。 パブリックデータセットと実世界の実験による評価は,提案手法の有効性と実用性を示すものである。
  論文  参考訳（メタデータ） (2026-04-16T02:23:57Z)
• Adaptive Active Learning for Online Reliability Prediction of Satellite Electronics [1.1309064441249301]
  本稿では,新しい統合型オンライン信頼性予測フレームワークを提案する。 一般化されたアレニウスリンク関数、個々のランダム効果、空間相関を組み込んだウィナープロセスに基づく劣化モデルを開発した。 予測精度を適応的に向上する2段階能動学習サンプリングスキームを設計する。
  論文  参考訳（メタデータ） (2026-03-10T01:04:22Z)
• Towards Scalable Probabilistic Human Motion Prediction with Gaussian Processes for Safe Human-Robot Collaboration [6.846949601451734]
  本研究では,フルボディ動作予測のための構造化変分ガウスプロセス(GP)フレームワークを提案する。 我々のモデルは、強いベースラインよりも最大50のカーネル密度推定負対数類似度(KDE NLL)を達成する。 確率的定式化にもかかわらず、我々のモデルは0.24-0.35Mのパラメータしか必要としない。
  論文  参考訳（メタデータ） (2026-03-07T08:11:46Z)
• Seeing Farther and Smarter: Value-Guided Multi-Path Reflection for VLM Policy Optimization [41.15414881730464]
  VLM(Vision-Language Models)は、この目標に対して、一般的なパーセプティブ・レアソン・アクティベート・フレームワークを提供する。 従来のアプローチは、ノイズの多い予見予測から状態値の非効率で、しばしば不正確な暗黙の学習に依存していた。 動作生成から状態評価を分離する新しいテスト時間計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-22T22:53:16Z)
• Unsupervised Anomaly Detection in Multi-Agent Trajectory Prediction via Transformer-Based Models [45.08545174556591]
  マルチエージェントトランスを用いた教師なし異常検出フレームワークを提案する。 検出安定性と物理的アライメントの両方を評価するための二重評価手法が提案されている。 本フレームワークでは,時間対衝突および統計ベースラインに欠落した388個の特異な異常を同定する。
  論文  参考訳（メタデータ） (2026-01-28T08:33:10Z)
• WALDO: Where Unseen Model-based 6D Pose Estimation Meets Occlusion [13.760323763554448]
  モデルに基づく6次元ポーズ推定法に対する4つの新しい拡張を提案する。 提案手法は,IABINの精度が5%以上向上し,BOPデータセットのベンチマークでは2%以上向上していることを示す。
  論文  参考訳（メタデータ） (2025-11-19T21:01:49Z)
• Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
  高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。 Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。 しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。 我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
  論文  参考訳（メタデータ） (2025-10-15T08:41:36Z)
• 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)
• Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
  TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。 我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。 並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
  論文  参考訳（メタデータ） (2025-08-28T07:09:21Z)
• Enhancing LLM Reliability via Explicit Knowledge Boundary Modeling [41.19330514054401]
  大規模言語モデル(LLM)は、不一致の自己認識に起因する幻覚の傾向にある。 本稿では,高速かつ低速な推論システムを統合し,信頼性とユーザビリティを調和させる明示的知識境界モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-04T03:16:02Z)
• Lightweight, Uncertainty-Aware Conformalized Visual Odometry [2.429910016019183]
  データ駆動型ビジュアルオドメトリー(VO)は、自律エッジロボティクスにとって重要なサブルーチンである。 昆虫スケールドローンや外科ロボットのような最先端ロボットデバイスは、VOの予測の不確実性を推定する計算的に効率的な枠組みを欠いている。 本稿では,共形推論(CI)を利用してVOの不確実な帯域を抽出する,新しい,軽量で統計的に堅牢なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-03T20:37:55Z)

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。