論文の概要: Robust Extended Kalman Filter for Land Navigation Using Massive Array of MEMS IMUs
- arxiv url: http://arxiv.org/abs/2606.29271v1
- Date: Sun, 28 Jun 2026 08:37:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.863098
- Title: Robust Extended Kalman Filter for Land Navigation Using Massive Array of MEMS IMUs
- Title（参考訳）: MEMS IMUの大規模アレイを用いた土地ナビゲーションのためのロバスト拡張カルマンフィルタ
- Abstract要約: 低コストマイクロエレクトロメカニカルシステム(MEMS)の慣性センサを用いた陸地ナビゲーションのためのロバスト拡張カルマンフィルタ(EKF)アーキテクチャを提案する。
この設定の主な課題は、バースト的なセンサー固有のバイアスエラー、バイアスドリフト、および多くの慣性測定を集約する必要性である。
本稿では,動的パーセンタイルゲーティングとリアルタイムバイアストラッキングを組み合わせた事前フィルタフレームワークであるRobust Inertial Sensor Array Fusion (RISAF)を紹介する。
- 参考スコア（独自算出の注目度）: 2.8647133890966994
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a robust Extended Kalman Filter (EKF) architecture for land navigation using an array of hundreds of low-cost micro-electromechanical systems (MEMS) inertial sensors. The main challenges in this setting are bursty sensor-specific bias errors, bias drift, and the need to aggregate many inertial measurements without increasing the computational burden of the navigation filter. To address these challenges, we introduce Robust Inertial Sensor Array Fusion (RISAF), a pre-filtering framework that combines dynamic percentile gating with real-time bias tracking before the EKF prediction step. The proposed aggregation suppresses anomalous sensor readings and compensates for individual sensor drift while preserving the vehicle-level kinematic signal. Because the resulting fused inertial measurements are passed to a standard EKF, the navigation filter retains a minimal state vector and supports real-time execution. We evaluate RISAF through extensive simulations and real-world field tests in GNSS-denied environments, with the data provided as supplementary material. Compared with a baseline that averages the sensor readings, RISAF achieves substantially improved azimuth accuracy and reduced drift accumulation. These results demonstrate that robust fusion of large MEMS inertial arrays can bridge a substantial part of the gap between cost-effective hardware and tactical-grade inertial navigation performance.
- Abstract（参考訳）: 数百の低コストマイクロエレクトロメカニカルシステム(MEMS)慣性センサを用いた陸地ナビゲーションのためのロバスト拡張カルマンフィルタ(EKF)アーキテクチャを提案する。
この設定の主な課題は、バースト的なセンサ固有のバイアス誤差、バイアスドリフト、ナビゲーションフィルタの計算負担を増大させることなく多くの慣性測定を集約する必要性である。
これらの課題に対処するために、EKF予測ステップの前に動的パーセンタイルゲーティングとリアルタイムバイアストラッキングを組み合わせた事前フィルタフレームワークであるRobust Inertial Sensor Array Fusion (RISAF)を導入する。
提案したアグリゲーションは、車両レベルの運動信号を保持しながら、異常なセンサ読み取りを抑え、個々のセンサドリフトを補償する。
得られた融合慣性測定は標準のEKFに渡されるため、ナビゲーションフィルタは最小の状態ベクトルを保持し、リアルタイム実行をサポートする。
我々は, GNSSを用いた環境下での広範囲なシミュレーションと実世界のフィールドテストを通じてRISAFを評価し, 補助材料としてのデータを提供する。
センサーの読み取りを平均するベースラインと比較すると、RISAFは方位精度を大幅に改善し、ドリフトの蓄積を減少させる。
これらの結果から,大規模MEMS慣性アレイの堅牢な融合は,コスト効率の高いハードウェアと戦術グレードの慣性ナビゲーション性能のギャップの大部分を埋めることが可能であることが示唆された。
関連論文リスト
- Resilient Navigation for Autonomous Farm Robots by Leveraging Jerk-Augmented Models with IMU-Only Disturbance Rejection [0.0]
本稿では,MTF適応法と統合された拡張カルマンフィルタ(EKF)に基づくロバストナビゲーションアルゴリズムを提案する。
本研究では,サリン247自律ロボットの現実データを用いたアルゴリズムの評価を行った。
論文 参考訳（メタデータ） (2026-06-09T15:12:12Z) - FLORO: A Multimodal Geospatial Foundation Model for Ecological Remote Sensing Across Sensors and Scales [65.4821703903285]
FLOROは、小さなが高度に多様なリモートセンシングコーパスから転送可能な表現を学習するために設計されたマルチモーダル基礎モデルである。
FLOROは、Sentinel-1、Sentinel-2、SkySAT画像、標高、UAV由来のデータとの不均一な組み合わせによるマスク付きオートエンコーディングを用いて事前訓練される。
我々は、シーン分類、セグメンテーション、回帰タスクにまたがる凍結エンコーダプロトコルを用いて、PANGAEAベンチマーク上でFLOROを評価した。
論文 参考訳（メタデータ） (2026-05-27T08:55:54Z) - PDRNN: Modular Data-driven Pedestrian Dead Reckoning on Loosely Coupled Radio- and Inertial-Signalstreams [2.4897806364302633]
センサデータストリームを暗黙的に予測できるシンプルなリカレントニューラルネットワーク(RNN)アーキテクチャを提案する。
提案手法では,各コンポーネントを機械学習(ML)モデルの独立したアンサンブルとして扱うモジュール型ハイブリッドAI支援PDRシステムであるPDRNNを導入する。
動的スポーツ運動データを用いた実験により,PDRNNは従来のML法やML法に比べて精度と精度が優れていることが示された。
論文 参考訳（メタデータ） (2026-05-14T16:35:57Z) - Edge-Based Standing-Water Detection via FSM-Guided Tiering and Multi-Model Consensus [1.2744523252873352]
農業地帯の立水は、車両の移動性と作物の健康を脅かす。
本稿では,オプションのJetsonアクセラレーションを備えたRaspberry-Piクラスデバイスを用いた静止水検出のためのエッジアーキテクチャを提案する。
論文 参考訳（メタデータ） (2026-03-31T07:26:50Z) - Radar-Inertial Odometry For Computationally Constrained Aerial Navigation [0.7310043452300737]
本稿では,IMUとレーダの情報を融合するために,レーダ・慣性オドメトリー(RIO)アルゴリズムを提案する。
本研究では, 深層学習の進歩を活かして, スパース・ノイズの多いレーダ点雲中の3次元点対応を検索する方法を示す。
論文 参考訳（メタデータ） (2026-02-04T15:03:26Z) - Multi-Modal Neural Radiance Field for Monocular Dense SLAM with a
Light-Weight ToF Sensor [58.305341034419136]
単眼カメラと軽量ToFセンサを備えた初の高密度SLAMシステムを提案する。
本稿では,RGBカメラと軽量ToFセンサの両方の信号のレンダリングをサポートするマルチモーダル暗黙のシーン表現を提案する。
実験により,本システムは軽量なToFセンサの信号をうまく利用し,競合的な結果が得られることが示された。
論文 参考訳（メタデータ） (2023-08-28T07:56:13Z) - Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue
with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。
本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
論文 参考訳（メタデータ） (2023-08-14T16:48:57Z) - Multi-Visual-Inertial System: Analysis, Calibration and Estimation [26.658649118048032]
マルチビジュアル・慣性システム(MVIS)の状態を推定し,センサ融合アルゴリズムを開発した。
我々は、関連する視覚慣性センサーの完全な校正に興味を持っている。
論文 参考訳（メタデータ） (2023-08-10T02:47:36Z) - Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol
Particles for Frontier Exploration [55.41644538483948]
本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。
ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。
本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
論文 参考訳（メタデータ） (2023-04-27T20:21:18Z) - Tightly-coupled Visual-DVL-Inertial Odometry for Robot-based Ice-water
Boundary Exploration [8.555466536537292]
ローカライズ精度を高めるために,マルチセンサ融合フレームワークを提案する。
画像、ドップラー速度ログ(DVL)、慣性測定ユニット(IMU)、圧力センサーが統合されている。
提案手法は,凍結氷下のフィールドで収集したデータセットを用いて検証した。
論文 参考訳（メタデータ） (2023-03-29T20:16:39Z) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳（メタデータ） (2021-05-20T17:52:37Z) - Transfer Learning for Motor Imagery Based Brain-Computer Interfaces: A
Complete Pipeline [54.73337667795997]
移動学習(TL)は、新しい被験者の校正作業を減らすために、運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)に広く用いられている。
本稿では,MIベースのBCIの3つのコンポーネント(空間フィルタリング,特徴工学,分類)すべてにおいてTLが考慮できることを示す。
論文 参考訳（メタデータ） (2020-07-03T23:44:21Z)
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。