論文の概要: Improvement of Robot's Simultaneous Localization and Mapping Using an Effective Transformation to Achieve Linear Model

• arxiv url: http://arxiv.org/abs/2606.28475v1
• Date: Fri, 26 Jun 2026 16:02:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.58092
• Title: Improvement of Robot's Simultaneous Localization and Mapping Using an Effective Transformation to Achieve Linear Model
• Title（参考訳）: Achieve線形モデルへの効果的な変換によるロボットの同時位置推定とマッピングの改善
• Abstract要約: LMKF SLAM は最先端の方法,特に EKF ベースのSLAM よりも優れていることを示す。 提案手法は,センサ値の不確実性やシステムパラメータの変化に対して,より安定である。
• 参考スコア（独自算出の注目度）: 1.819932604590499
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nowadays mobile robots have wide engineering applications. Simultaneous localization and mapping (SLAM) is an important task of these robots. The major and common algorithms used for this task are based on extended Kalman filter (EKF). One of the main problems in EKF-based SLAM is its divergence. The nonlinearity of motion and observation models and linearization error are the main reasons for the divergence. There have been some efforts to address this problem with limited success. In this paper, by applying a simple compass and using an effective transformation, we transform the non-linear state space model into a linear model. Then, by applying the original KF to this model, we reach a new method, which is called LMKF SLAM. We show that the LMKF SLAM is significantly superior to the state-of-the-art methods, especially EKF-based SLAMs, both in accuracy, convergence, and computational complexity. The proposed method is also more stable with respect to the uncertainty of sensors values and changes in system parameters. Experimental results verify these points.
• Abstract（参考訳）: 現在、モバイルロボットには幅広い工学的応用がある。 これらのロボットにとって、同時ローカライゼーションとマッピング(SLAM)は重要な課題である。 このタスクで使われる主要なアルゴリズムと一般的なアルゴリズムは拡張カルマンフィルタ(EKF)に基づいている。 EKFベースのSLAMの大きな問題の1つは、そのばらつきである。 運動と観測モデルの非線形性と線形化誤差が分岐の主な原因である。 この問題に限定して対処する試みがいくつかある。 本稿では,単純なコンパスを適用し,有効変換を用いることで,非線形状態空間モデルを線形モデルに変換する。 そして、このモデルに元のKFを適用することにより、LMKF SLAMと呼ばれる新しい手法に到達する。 LMKF SLAM は最先端の手法,特に EKF ベースのSLAM よりも精度,収束性,計算複雑性に優れていた。 提案手法は,センサ値の不確実性やシステムパラメータの変化に対して,より安定である。 実験結果はこれらの点を検証する。

関連論文リスト

• PLS-Calib: A Partial Least Squares Framework for Event Camera and Odometry Calibration under Ground Motion Constraints [27.568640844773338]
  既存のキャリブレーション技術のほとんどは、あらゆる自由度をエキサイティングするために6-DoFのフル動作に依存している。 PLS-Calib という新しい回転校正フレームワークを提案する。 我々は,最先端手法に比べてキャリブレーションの堅牢性と精度が著しく向上したことを示す。
  論文  参考訳（メタデータ） (2026-08-04T08:07:07Z)
• Fixed-Point Reasoners: Stable and Adaptive Deep Looped Transformers [72.66457738838515]
  本稿では,ループ型アーキテクチャにおける終端停止機構として固定点収束を用いたトランスフォーマーベースの固定点推論モデルを提案する。 FPRMは、Sudoku、Maze、state-tracking、ARC-AGIといった一般的な推論ベンチマークで有効である。
  論文  参考訳（メタデータ） (2026-06-16T17:36:33Z)
• ODELoRA: Training Low-Rank Adaptation by Solving Ordinary Differential Equations [54.886931928255564]
  低ランク適応(LoRA)は、深層移動学習においてパラメータ効率の高い微調整法として広く採用されている。 常微分方程式(ODE)の形でLoRA因子行列に対する新しい連続時間最適化ダイナミクスを提案する。 ODELoRAは,問題次元の異なるスケールのディープニューラルネットワークのトレーニングに不可欠な特性である,安定した特徴学習を実現する。
  論文  参考訳（メタデータ） (2026-02-07T10:19:36Z)
• Inverse Autoregressive Flows for Zero Degree Calorimeter fast simulation [0.0]
  物理ベースの機械学習は、従来の科学と現代のデータ駆動技術を融合させる。 CERNにおけるALICE実験におけるZDC(Zero Degree Calorimeter)のシミュレーションを高速化するために,このパラダイムを活用する。 我々の手法は古典的データ駆動モデル同化よりも優れており、ZDCシミュレーション文献の既存のNF実装よりも421倍高速なモデルが得られる。
  論文  参考訳（メタデータ） (2025-12-23T13:28:15Z)
• MaD-Scientist: AI-based Scientist solving Convection-Diffusion-Reaction Equations Using Massive PINN-Based Prior Data [22.262191225577244]
  科学的基礎モデル(SFM)にも同様のアプローチが適用できるかどうかを考察する。 数学辞書の任意の線形結合によって構築された偏微分方程式(PDE)の解の形で、低コストな物理情報ニューラルネットワーク(PINN)に基づく近似された事前データを収集する。 本研究では,1次元対流拡散反応方程式に関する実験的な証拠を提供する。
  論文  参考訳（メタデータ） (2024-10-09T00:52:00Z)
• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• Explaining the Machine Learning Solution of the Ising Model [0.0]
  この研究は、統計物理学における機械学習(ML)研究の主要なターゲットである強磁性イジングモデルに対してどのように達成できるかを示す。 隠れた層を持たないニューラルネットワーク(NN)を使用し(最も単純な)、ハミルトニアンの対称性によって情報を伝達することにより、教師付き学習ソリューションを見つけるための戦略を説明する。 これらの結果は、物理インフォームドされた説明可能な一般化されたフレームワークへの道を開き、モデルのパラメータから物理法則と原理を抽出することができる。
  論文  参考訳（メタデータ） (2024-02-18T20:47:33Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• On Fast Simulation of Dynamical System with Neural Vector Enhanced Numerical Solver [59.13397937903832]
  ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。 NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。 様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
  論文  参考訳（メタデータ） (2022-08-07T09:02:18Z)
• Pushing the Envelope of Rotation Averaging for Visual SLAM [69.7375052440794]
  視覚SLAMシステムのための新しい最適化バックボーンを提案する。 従来の単分子SLAMシステムの精度, 効率, 堅牢性を向上させるために, 平均化を活用している。 我々のアプローチは、公開ベンチマークの最先端技術に対して、同等の精度で最大10倍高速に表示することができる。
  論文  参考訳（メタデータ） (2020-11-02T18:02:26Z)
• Gaussian MRF Covariance Modeling for Efficient Black-Box Adversarial Attacks [86.88061841975482]
  我々は,ゼロオーダーのオラクルにのみアクセス可能なブラックボックス設定において,逆例を生成する問題について検討する。 我々はこの設定を用いて、FGSM(Fast Gradient Sign Method)のブラックボックス版と同様に、高速な1ステップの敵攻撃を見つける。 提案手法はクエリを少なくし,現在の技術よりも攻撃成功率が高いことを示す。
  論文  参考訳（メタデータ） (2020-10-08T18:36:51Z)
• PointNetKL: Deep Inference for GICP Covariance Estimation in Bathymetric SLAM [2.064612766965483]
  本稿では,ポイントネットを用いたポイントクラウド登録の不確実性を推定する新しい手法を提案する。 我々は、このネットワークを、学習された不確実性分布とモンテカルロ法で計算された分散KLを用いて訓練する。 自律型水中車両を用いたSLAMの用途に適用した一般モデルの性能を検証した。
  論文  参考訳（メタデータ） (2020-03-24T15:44:07Z)

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。