論文の概要: Uncertainty-Aware Velocity Correction for Proprioceptive Vehicle Localization using Evidential Mamba
- arxiv url: http://arxiv.org/abs/2607.05669v1
- Date: Mon, 06 Jul 2026 22:28:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.339501
- Title: Uncertainty-Aware Velocity Correction for Proprioceptive Vehicle Localization using Evidential Mamba
- Title（参考訳）: Evidential Mamba を用いた固有受動車位置推定のための不確実性を考慮した速度補正
- Abstract要約: 既存のアプローチは、専用のインフラ、高価な外部センサー、複雑なマルチセンサー融合を通じてドリフト補正を提供する。
本研究では,車載センサデータをIMUドリフト補正のための仮想速度センサに変換する学習ベースアーキテクチャであるMambaを用いたEvidential Velocity Correctionを提案する。
実世界の車両データによる評価では, 提案した速度補正位置決め精度が, 故障期間の異なる専用外速度センサの10%以内であることが示されている。
- 参考スコア（独自算出の注目度）: 17.576449361552992
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reliable localization in GNSS-denied environments remains a fundamental challenge for intelligent vehicles, as inertial navigation systems accumulate unbounded drift without external correction. Existing approaches provide drift correction through dedicated infrastructure, expensive external sensors, or complex multi-sensor fusion, each introducing practical deployment barriers. We propose Evidential Velocity Correction using Mamba (EVC-Mamba), a learning-based architecture that transforms onboard vehicle sensor data into a virtual velocity sensor for IMU drift correction without additional hardware. A Mamba-based selective state space model captures the temporal dynamics of vehicle motion, while evidential deep learning with a Normal-Inverse-Gamma distribution provides principled uncertainty quantification. The resulting uncertainty-aware velocity estimate is incorporated as a virtual correction measurement into an Error-State Extended Kalman Filter to reduce position drift. Evaluation on real-world vehicle data demonstrates that inertial navigation using the proposed velocity correction achieves localization accuracy within 10% of a dedicated external velocity sensor across different outage durations. The proposed architecture supports real-time onboard deployment at 40 Hz on edge hardware, enabling reliable localization during prolonged GNSS outages.
- Abstract（参考訳）: 慣性航法システムは外部の補正なしに非有界ドリフトを蓄積するので、GNSSの環境における信頼性の高いローカライゼーションはインテリジェントな車両にとって依然として根本的な課題である。
既存のアプローチは、専用のインフラ、高価な外部センサー、複雑なマルチセンサー融合を通じてドリフト補正を提供し、それぞれが実用的な配置障壁を導入している。
本研究では,車載センサデータをIMUドリフト補正のための仮想速度センサに変換する学習ベースアーキテクチャであるMamba (EVC-Mamba) を用いたエビデンシャル速度補正を提案する。
マンバをベースとした選択状態空間モデルは車両運動の時間的ダイナミクスを捉えるが、正規-逆-ガンマ分布による明らかな深層学習は原理的不確実性定量化を提供する。
得られた不確実性を考慮した速度推定は、位置ドリフトを低減するためにエラー状態拡張カルマンフィルタに仮想補正測定として組み込まれる。
実世界の車両データから、提案した速度補正を用いた慣性航法は、異なる停止期間にわたって専用の外部速度センサの10%以内のローカライズ精度を達成することを示す。
提案アーキテクチャは、エッジハードウェア上で40Hzのリアルタイムオンボードデプロイメントをサポートし、長時間のGNSS停止時の信頼性の高いローカライゼーションを可能にする。
関連論文リスト
- NaviCache: Test-Time Self-Calibration Caching for Video Generation [82.90113757454375]
NaviCacheはビデオ拡散モデルのためのテスト時間自己校正手法である。
基本的な領域ギャップと非定常的な拡散の性質を橋渡しする。
理論上は、誤差バウンド・スキップのメカニズムを提供する。
論文 参考訳（メタデータ） (2026-06-25T09:28:12Z) - Ultra-Fusion: A Resilient Tightly-Coupled Multi-Sensor Fusion SLAM Framework under Sensor Degradation and Spatiotemporal Perturbation for Intelligent Transportation Systems [6.0362659834721955]
本稿では,一元的スライディングウインドウ推定器に基づく密結合型マルチセンサ・ローカライズ・フレームワークであるUltra-Fusionを提案する。
M3DGR, M2DGR-Plus, KAIST, GrandTour, MARS-LVIG を用いた60以上のオープンソースSLAMシステムの評価を行った。
その結果、車輪付き、脚付き、空中プラットフォーム間の長期・高速運転時の競争精度が示された。
論文 参考訳（メタデータ） (2026-06-19T08:40:04Z) - Wheel-Mounted/GNSS Fusion with AI-Aided Position Updates [5.5217350574838875]
本稿では,車輪搭載慣性センサ,周期軌道の強制,および誤差状態拡張カルマンフィルタにおける位置更新を伴う車両の変位を抑えることができる簡易かつ効率的なニューラルネットワークを統合したハイブリッドニューラル慣性ナビゲーションフレームワークを提案する。
実験結果から,本手法は位置決め精度を向上し,標準の車輪搭載慣性センサ融合と比較して根平均2乗誤差を約46 %削減できることがわかった。
論文 参考訳（メタデータ） (2026-06-02T07:27:05Z) - Spatially-Aware Adaptive Trajectory Optimization with Controller-Guided Feedback for Autonomous Racing [74.83272587893508]
本稿では,NURBSに基づく軌道表現,CMA-ESグローバル軌道最適化,コントローラ誘導空間フィードバックを組み合わせた自律レースライン最適化フレームワークを提案する。
シミュレーションでは,最大静的加速度をパラメータ化したコントローラと比較して17.38%のラップタイム短縮を実現している。
高摩擦から低摩擦まで様々なタイヤ化合物で試験された実ハードウェアでは、摩擦を明示的にパラメータ化することなく、7.60%のラップタイムの改善が得られる。
論文 参考訳（メタデータ） (2026-02-17T15:10:44Z) - Control and State Estimation of Vehicle-Mounted Aerial Systems in GPS-Denied, Non-Inertial Environments [5.191474416940848]
我々は,GNSS(Global Navigation Satellite System, グローバルナビゲーション衛星システム)を用いた非慣性環境下で稼働する四元数に対するロバストな制御と推定フレームワークを提案する。
本手法は,プラットフォーム動作を考慮した拡張カルマンフィルタと未知入力(EKF-UI)を組み合わせた外部位置計測にのみ依存する。
従来のEKFと比較して,提案手法は慣性フィードバックを必要とせず,安定性と軌道追跡を大幅に改善する。
論文 参考訳（メタデータ） (2026-02-03T22:45:34Z) - NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。
グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。
我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
論文 参考訳（メタデータ） (2025-06-23T14:28:30Z) - Gaussian Process Regression for Improved Underwater Navigation [13.221163846643607]
ドップラー速度ログ(DVL)は通常、速度測定によってこのドリフトを緩和するために使用される。
本稿では、DVL速度推定を改善するために、多出力ガウス過程回帰(MOGPR)に基づくデータ駆動方式を提案する。
提案手法を実世界のAUVデータを用いて評価し,LSと最先端のディープラーニングモデルであるBeamsNetと比較した。
論文 参考訳（メタデータ） (2025-02-23T09:13:41Z) - GPS-IMU Sensor Fusion for Reliable Autonomous Vehicle Position Estimation [0.0]
慣性測定ユニット(IMU)は加速度や回転の変化などの相対的な運動情報を提供する。
GPSとは異なり、IMUは外部の信号に頼らず、GPSで識別された環境で有用である。
GPSとIMUを融合させることは、自動運転車のナビゲーションシステムの信頼性と精度を高めるために重要である。
論文 参考訳（メタデータ） (2024-05-13T19:05:36Z) - 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) - 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) - 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)
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。