論文の概要: Underwater Dead Reckoning with Deployable Situation-Triggered Covariance Scheduling

• arxiv url: http://arxiv.org/abs/2607.10597v1
• Date: Sun, 12 Jul 2026 06:27:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.477313
• Title: Underwater Dead Reckoning with Deployable Situation-Triggered Covariance Scheduling
• Title（参考訳）: 展開可能な条件トリガー共分散スケジューリングによる水中デッドレコンディング
• Abstract要約: 本稿では,BlueROV2用適応ロバスト拡張カルマンフィルタについて述べる。 オンボードの確率的トリガーは、1つのエラー状態フィルタが連続的に実行される間、現在の動き状況を特定する。 トリガーが自信がある場合、フィルタは対応する事前校正プロセスおよび測定ノイズ行列のみに変化する。
• 参考スコア（独自算出の注目度）: 3.2548794659022398
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater dead reckoning estimates vehicle position when vision is unavailable and external positioning cannot be assumed. A single set of filter parameters can work well in many situations, but fixed tuning may be poorly matched during turns, motion transitions, or periods when sensor measurements are less reliable. This paper presents the Situation-Triggered Calibrated Adaptive Robust Extended Kalman Filter for a BlueROV2. An onboard probabilistic trigger identifies the current motion situation while one error-state filter runs continuously. When the trigger is confident, the filter changes only to the corresponding pre-calibrated process- and measurement-noise matrices; the state estimate, covariance history, dynamics, and measurement models are not reset or replaced. The trigger, noise profiles, and a one-time Doppler velocity log yaw-alignment correction are calibrated offline using sparse AprilTag-supervised pool runs. A separate validation set selects the scheduling policy, which is then fixed before held-out testing. Across four held-out pool runs, the method reduces label-weighted mean per-run translation root-mean-square error from 0.488 m to 0.471 m relative to the same filter backbone with one global noise profile, and every held-out run favors the scheduled method. A paired bootstrap over 10-second segments gives a candidate-minus-baseline difference of -0.017 m with a 95% confidence interval of [-0.024, -0.008] m, while orientation error remains essentially unchanged. These results indicate that situation-aware covariance scheduling provides a modest but consistent vision-free dead-reckoning improvement without switching estimators or resetting the filter.
• Abstract（参考訳）: 水中の死亡推定は、視力が無く、外部の位置が推定できないときに車両の位置を推定する。 フィルタパラメータの単一セットは、多くの状況でうまく機能するが、固定されたチューニングは、回転、運動遷移、あるいはセンサー測定が信頼性の低い期間において不整合である可能性がある。 本稿では,BlueROV2用適応ロバスト拡張カルマンフィルタについて述べる。 オンボードの確率的トリガーは、1つのエラー状態フィルタが連続的に実行される間、現在の動き状況を特定する。 トリガーが自信のある場合、フィルタは対応する事前校正プロセスおよび測定ノイズ行列のみに変化し、状態推定、共分散履歴、ダイナミクス、測定モデルはリセットまたは置換されない。 トリガー、ノイズプロファイル、および1回ドップラー速度ログヨーアライメント補正は、スパースエイプリルタグ制御プールランを使用してオフラインに調整される。 個別の検証セットは、スケジュールポリシーを選択し、その後、ホールドアウトテストの前に固定される。 4つのホールドアウトプールランにわたって、この方法は1つのグローバルノイズプロファイルを持つ同じフィルタバックボーンに対してラベル重み付き平均ルート平均二乗誤差を0.488mから0.471mに低減し、各ホールドアウトランがスケジュールされた方法を好む。 10秒間にわたるペアブートストラップは、[-0.024, -0.008] mの95%信頼区間を持つ候補-ミナス-ベースライン差-0.017mを与えるが、配向誤差は基本的に変化しない。 これらの結果から、状況対応の共分散スケジューリングは、推定器を切り替えたり、フィルタをリセットしたりすることなく、控えめながら一貫した視覚のないデッドレコンダクション改善を提供する。

関連論文リスト

• When the Martingale Never Stops Firing: Anytime-Valid Gating on Real Forecast Streams [0.614481021961242]
  任意の時間価推論は、いつでも実行できる証拠を約束する。 デプロイは、監視するストリームが交換可能に振る舞う場合に限り、それを継承する。
  論文  参考訳（メタデータ） (2026-08-31T09:32:11Z)
• Event-Based Motion Estimation via Oriented Distance Fields [55.23416502666468]
  イベントベースの動き推定は、高時間分解能と高速動作に対する堅牢性を必要とするタスクの中心である。 本稿では,この最適化を,事前計算された事象距離ベクトルの場上の1つの平均ステップに置き換える,オブジェクト指向距離場運動推定(ODF Motion Estimation)を提案する。 公開および自己収集されたデータセットでは,ODFの動作推定は,比較手法の中で最低レイテンシでサブピクセル精度に達する。
  論文  参考訳（メタデータ） (2026-08-25T08:27:42Z)
• SVR: Self-Verifying Refinement via Joint Verdict-Confidence Reinforcement Learning for Adaptive Test-Time Compute [62.3458279176813]
  自己検証リファインメント(Self-Verifying Refinement)は、オラクルフリーのマルチターン強化学習フレームワークである。 自己検証を計算制御ポリシとして使用することを学ぶ。 マクロ平均精度は0.563で、平均で2.99回しか推測できない。
  論文  参考訳（メタデータ） (2026-07-30T16:20:58Z)
• Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
  モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。 State-of-the-art merging method formulate merging as a layer-wise interference problem。 本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
  論文  参考訳（メタデータ） (2026-06-05T14:00:47Z)
• Exactness Matters for Physical Rule Enforcement [4.230349220081444]
  より強い物理ルールの執行がいつ信頼できるか、いつそれが流通シフトの源となるかは、まだ不明である。 この問題は作用素の正確性(すなわち、補修写像が対象多様体上の恒等写像であるかどうか)を通して研究する。 制御ミスマッチ、スクリーニングされたクリーンアップ、アダプティブゲーティング、および外部バックボーンチェックは、最適な近似登録操作ポイントが生またはほぼ同一であることを示す。
  論文  参考訳（メタデータ） (2026-05-08T07:59:59Z)
• Correction and Corruption: A Two-Rate View of Error Flow in LLM Protocols [51.56484100374058]
  そこで本研究では,単一プロトコルステップを正確なマッチングタスクで監査するためのペアアウトカム計測インタフェースを提案する。 各インスタンスについて、インターフェースはベースラインの正当性ビットと後ステップの正当性ビットを記録する。 これらのレートは精度の変化を予測し、種、混合物、パイプライン間でテスト可能な再利用可能な経験的インターフェースを定義する。
  論文  参考訳（メタデータ） (2026-04-20T13:25:40Z)
• Transformer-Based Predictive Maintenance for Risk-Aware Instrument Calibration [0.13543803103181612]
  キャリブレーションスケジューリングを予測的メンテナンス問題として検討する。 我々は、NASA C-MAPSSベンチマークをキャリブレーション設定に適合させる。 本研究では,条件に基づくキャリブレーションを共同予測と決定の問題とみなすことができることを示す。
  論文  参考訳（メタデータ） (2026-03-19T06:32:01Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• PKF: Probabilistic Data Association Kalman Filter for Multi-Object Tracking [29.587297288624253]
  我々は,測定値と状態値の確率的相関を持つ新しいカルマンフィルタを導出する。 相関確率は行列の永久値として測定可能な値として計算できることを示す。 シミュレーション実験により, このフィルタは, 確立された連立確率的データアソシエーションフィルタよりも低い追従誤差を達成できることが判明した。
  論文  参考訳（メタデータ） (2024-11-10T07:34:31Z)
• Approximate Optimal Filter for Linear Gaussian Time-invariant Systems [10.47198224467133]
  状態推定は制御システムにとって、特に状態を直接測定できない場合に重要である。 本稿では, 定常ゲインを得るために, ポリシー反復法を活用できる近似最適フィルタを提案する。 その結果, 政策は定常カルマン利得に収束し, 精度は2 %以内であることが判明した。
  論文  参考訳（メタデータ） (2021-03-09T15:51:08Z)
• Change Point Detection in Time Series Data using Autoencoders with a Time-Invariant Representation [69.34035527763916]
  変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。 近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。 我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
  論文  参考訳（メタデータ） (2020-08-21T15:03:21Z)
• Analytic Signal Phase in $N-D$ by Linear Symmetry Tensor--fingerprint modeling [69.35569554213679]
  解析信号位相とその勾配は2-D$以上の不連続性を持つことを示す。 この欠点は深刻なアーティファクトをもたらす可能性があるが、問題は1-D $シグナルには存在しない。 本稿では,複数のGaborフィルタに頼って線形シンメトリー位相を用いることを提案する。
  論文  参考訳（メタデータ） (2020-05-16T21:17:26Z)

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。