論文の概要: Physics-Regularized Machine Learning for Proprioceptive Vehicle Localization Using Onboard Sensors

• arxiv url: http://arxiv.org/abs/2607.05663v1
• Date: Mon, 06 Jul 2026 22:12:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.336187
• Title: Physics-Regularized Machine Learning for Proprioceptive Vehicle Localization Using Onboard Sensors
• Title（参考訳）: 物理規則化機械学習による車載センサを用いた固有受動車両位置推定
• Abstract要約: 本稿では,局所化のための物理正規化機械学習(PRML2)を提案する。 PRML2は、Kalmanフィルタとデータ駆動学習の相補的な強みを組み合わせて、車載センサーから直接車両のポーズを推定するハイブリッドフレームワークである。 公開されているデータセット上でのML拡張オンボードドメトリーの性能限界を評価し、PRML2がより優れたローカライゼーション精度を実現し、リアルタイム能力を示すことを示す。
• 参考スコア（独自算出の注目度）: 17.576449361552992
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate and robust localization is essential for autonomous mobility systems in real-world environments. While fusing Inertial Measurement Unit (IMU) data with satellite-based correction signals provides precise vehicle pose estimates, performance degrades substantially during outages. Recent studies indicate that Machine Learning (ML) can improve IMU-based proprioceptive localization, highlighting untapped potential for onboard sensors readily available in production vehicles. This paper introduces Physics-Regularized Machine Learning for Localization (PRML2), a hybrid framework that combines the complementary strengths of Kalman filtering and data-driven learning to estimate vehicle pose directly from onboard sensors. A key aspect of PRML2 is its physics-regularized learning, enabled by end-to-end training of an ML model through a differentiable Kalman filter. This improves consistency with vehicle motion models, thereby enhancing both localization accuracy and generalization across driving conditions. We evaluate the performance limits of ML-enhanced onboard odometry on a publicly available dataset and show that PRML2 achieves superior localization accuracy and demonstrates real-time capability. This work also introduces a novel dataset to support vehicle localization research under low-friction conditions. The proposed framework provides a robust and cost-effective solution for vehicle localization under degraded sensing conditions by integrating learning with physics-based priors.
• Abstract（参考訳）: リアルタイム環境における自律移動システムには,高精度かつロバストなローカライゼーションが不可欠である。 慣性測定ユニット(IMU)データを衛星ベースの補正信号と融合させると正確な車両のポーズ推定が得られ、故障時に性能が著しく低下する。 近年の研究では、機械学習(ML)がIMUベースのプロバイオセプティブローカライゼーションを改善し、オンボードセンサーの未使用の可能性を強調している。 本稿では、カルマンフィルタとデータ駆動学習の相補的な長所を組み合わせたハイブリッドフレームワークであるPhysics-Regularized Machine Learning for Localization (PRML2)を紹介し、車載センサーから直接車両のポーズを推定する。 PRML2の重要な側面は物理規則化学習であり、微分可能なカルマンフィルタを通じてMLモデルのエンドツーエンドのトレーニングを可能にする。 これにより、車両の運動モデルとの整合性が向上し、運転条件間の局所化精度と一般化の両面が向上する。 公開されているデータセット上でのML拡張オンボードドメトリーの性能限界を評価し、PRML2がより優れたローカライゼーション精度を実現し、リアルタイム能力を示すことを示す。 この研究は、低摩擦条件下での車両のローカライゼーション研究を支援する新しいデータセットも導入している。 提案フレームワークは,物理に基づく先行学習と学習を統合することにより,劣化検知条件下での車両位置決めの堅牢で費用対効果の高いソリューションを提供する。

関連論文リスト

• Learning POMDP World Models from Observations with Language-Model Priors [52.11151769796862]
  部分的に観測可能なマルコフ決定プロセス(POMDP)は、内部世界モデルのための柔軟なモデリングクラスを提供する。 先行知識を活用することで,言語モデルがコストのかかる相互作用を低減できるかどうかを問う。 我々は,emphPinductor が LLM ベースの POMDP 学習手法の性能とサンプル効率に一致することを示す。
  論文  参考訳（メタデータ） (2026-05-13T16:18:15Z)
• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• Calibration and Evaluation of Car-Following Models for Autonomous Shuttles Using a Novel Multi-Criteria Framework [4.8342038441006805]
  自動運転シャトル専用車追尾モデルの開発は、その交通影響を理解する上で極めて重要である。 より高度な機械学習技術はまだAS軌道に適用されていない。 自動車追従モデルの性能を体系的に評価し比較するための統一的なフレームワークがない。
  論文  参考訳（メタデータ） (2026-02-12T03:19:44Z)
• Robustness of LLM-enabled vehicle trajectory prediction under data security threats [6.812902306426757]
  大型言語モデル(LLM)は、周囲の車両からデータを収集・変換することで、車両軌跡や車線変更意図を正確に予測することができる。 本研究では,LLM対応車両軌道予測の系統的脆弱性解析を行うことにより,このギャップを解消する。 高Dデータセットの実験では、小さな、物理的に妥当な摂動でさえ、モデル出力を著しく破壊する可能性があることが明らかになった。
  論文  参考訳（メタデータ） (2025-11-14T03:26:51Z)
• 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)
• Evaluating Global Geo-alignment for Precision Learned Autonomous Vehicle Localization using Aerial Data [14.315484707580739]
  学習されたローカライゼーション手法は、自動運転車の正確な距離ローカライゼーションを提供するための課題を克服する可能性を示している。 訓練時の航空データと自律走行車両センサデータの整合性を改善することは,学習に基づくローカライゼーションシステムの性能向上に不可欠であることがわかった。
  論文  参考訳（メタデータ） (2025-03-18T04:44:43Z)
• AutoML for Multi-Class Anomaly Compensation of Sensor Drift [44.63945828405864]
  センサドリフトは、時間とともに機械学習モデルのパフォーマンスを低下させる。 標準クロスバリデーション法はドリフトの不適切な会計によって性能を過大評価する。 本稿では,(1)モデル検証のための新しいセンサドリフト補償学習パラダイム,(2)分類性能の向上とセンサドリフト補償のための自動機械学習(AutoML)技術を提案する。
  論文  参考訳（メタデータ） (2025-02-26T14:34:53Z)
• Accurate Cooperative Localization Utilizing LiDAR-equipped Roadside Infrastructure for Autonomous Driving [2.0499240875882]
  LiDARは、センチメートルレベルの精度で車両のローカライズを容易にする。 これらの高精度な手法は、識別可能なマップ機能を持たない環境での信頼性上の課題に直面することが多い。 本稿では,道路側ユニット(RSU)と車両間通信(V2I)を併用して車両の自己位置決定を支援する手法を提案する。
  論文  参考訳（メタデータ） (2024-07-11T10:44:42Z)
• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• Probing Multimodal LLMs as World Models for Driving [72.18727651074563]
  自律運転におけるMLLM(Multimodal Large Language Models)の適用について検討する。 GPT-4oのようなモデルの開発は進んでいるが、複雑な運転環境における性能は未解明のままである。
  論文  参考訳（メタデータ） (2024-05-09T17:52:42Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Transformer Inertial Poser: Attention-based Real-time Human Motion Reconstruction from Sparse IMUs [79.72586714047199]
  本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。 提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
  論文  参考訳（メタデータ） (2022-03-29T16:24:52Z)

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。