Fugu-MT 論文翻訳(概要): Physical Self-Supervised Learning: IMU Sensing without Manual Labels

論文の概要: Physical Self-Supervised Learning: IMU Sensing without Manual Labels

arxiv url: http://arxiv.org/abs/2607.18361v1
Date: Mon, 20 Jul 2026 14:01:10 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-22 19:05:05.201603
Title: Physical Self-Supervised Learning: IMU Sensing without Manual Labels
Title（参考訳）: 物理的自己監督型学習:手動ラベルを使わずにIMUセンシング
Abstract要約: ディープニューラルネットワークは、IMUベースのセンシングにおいて有望なアプローチとなっているが、そのスケーラビリティは、ラベル付きデータと、異種デバイス、配置、ユーザに対するロバスト性によって制限されている。ラベルなしIMUセンシングのための自動エンコーダスタイルの物理自己教師学習を提案する。従来のニューラルデコーダを自動適応型物理デコーダ(自動適応型物理デコーダ)に置き換える。
参考スコア（独自算出の注目度）: 10.122645401488084
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep neural networks have become a promising approach for IMU-based sensing, but their scalability is fundamentally limited by costly labeled data and poor robustness to heterogeneous devices, placements, and users. Existing unsupervised and self-supervised methods reduce but do not remove this dependence, still requiring labeled data for domain adaptation and largely ignoring known physical structure. We propose physical self-supervised learning, an autoencoder-style paradigm for label-free IMU sensing. We replace the conventional neural decoder with an auto-adaptive physics decoder, a learnable family of kinematic equations that enforces explicit physical structure while adapting across environments, and adopt a hybrid two-stage IMU encoder with reconstruction in a structured latent space to mitigate sensor noise. Our framework further introduces probabilistic frequency-spatial constraints to disentangle sensor and object motion, a multi-view kinematic tree to exploit sparse physical self-supervised signals, and an uncertainty-aware formulation to handle the inherent ambiguity of IMU inference. Evaluated on inertial tracking and full-body motion capture over public datasets and realistic deployments, physical self-supervised learning reduces errors by up to 5x for tracking and 4x for motion capture in challenging generalization scenarios, consistently outperforming state-of-the-art supervised and self-supervised baselines without any labels.
Abstract（参考訳）: ディープニューラルネットワークは、IMUベースのセンシングにおいて有望なアプローチとなっているが、そのスケーラビリティは、コストのかかるラベル付きデータと、異種デバイス、配置、ユーザに対する堅牢性の欠如によって、根本的に制限されている。既存の教師なしおよび自己監督的手法は、この依存を排除せず、ドメイン適応のためのラベル付きデータと、既知の物理的構造をほとんど無視する必要がある。ラベルなしIMUセンシングのための自動エンコーダスタイルの物理自己教師学習を提案する。従来のニューラルデコーダを,環境に適応しながら明示的な物理構造を強制する運動方程式の学習可能なファミリーである自動適応物理デコーダに置き換える。我々はさらに、乱れセンサや物体の動きに対する確率的周波数空間制約、狭義の物理的自己制御信号を利用する多視点運動木、IMU推論の本質的曖昧性を扱う不確実性を考慮した定式化を導入している。公開データセットや現実的なデプロイメントに対する慣性的なトラッキングとフルボディのモーションキャプチャを評価することで、物理的な自己教師型学習は、挑戦的な一般化シナリオにおいて、トラッキングのための最大5倍、モーションキャプチャのための最大4倍のエラーを削減し、ラベルのない最先端の教師付きベースラインとセルフ教師付きベースラインを一貫して上回る。

関連論文リスト

Physics-guided machine learning for sim-to-real calibration of NV diamond magnetometers [2.632334357996292]
物理誘導型ハイブリッド機械学習フレームワークを導入し,Zeemanの分割を学習パイプラインに直接組み込む。本研究では,スカラー磁場の予測精度について検討した。この研究は、他のデータ共有物理システムに適用可能な機械学習トレーニング方法を確立しながら、自己校正センサーへの道を開いた。
論文参考訳（メタデータ） (2026-08-20T02:53:52Z)
Sen-Cap: Sensor-Flexible and Noise-Resilient Human Motion Capture via LiDAR-Camera Integration [50.18488308004802]
Sen-Capは、LiDARとカメラのマルチモーダルデータを統合した3Dモーションキャプチャフレームワークである。 Sen-CapはHuman-M3とFreeMotionの主要なメトリクスで最先端のパフォーマンスを達成する。この柔軟性と堅牢性の組み合わせは、現実のシナリオにおけるモーションキャプチャの新しい機会を開放する。
論文参考訳（メタデータ） (2026-08-03T14:16:18Z)
Online Learning of Robust Legged Odometry with Minimal Exteroceptive Supervision [7.541859903866144]
工業的にパッケージされた外部受動的センサーは正確なモーショントラッキングを提供することができるが、知覚的に劣化した状況に弱いままである。プラグアンドプレイで頑健な脚型オドメトリーシステムを開発し,外受容・プロプリセプティブ・キャリブレーションやシステムキネマティック・モデリングの必要性を排除した。プラットフォームに依存しない、容易にデプロイ可能なアプローチを、異なる4つのプラットフォームに示す。
論文参考訳（メタデータ） (2026-06-19T18:20:55Z)
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)
KISS-IMU: Self-supervised Inertial Odometry with Motion-balanced Learning and Uncertainty-aware Inference [4.238724345383632]
慣性測定ユニット(IMU)は、ロボットシステムにおける基本的なセンシングモダリティとして機能する。我々は,新しい自己教師型慣性オドメトリーフレームワーク KISS-IMU を提案する。提案手法は,運動認識バランストレーニングによるIMUの安定維持と,不確実性駆動適応重み付けによるIMUの強化という2つの重要な原則を具体化したものである。
論文参考訳（メタデータ） (2026-03-06T12:22:14Z)
ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
論文参考訳（メタデータ） (2026-03-03T18:59:29Z)
UniForce: A Unified Latent Force Model for Robot Manipulation with Diverse Tactile Sensors [51.88112610411651]
そこで本研究では,多様な触覚センサにまたがる共用潜在力空間を学習する,新しい統合された触覚表現学習フレームワークを提案する。 UniForceは、逆ダイナミクス(image-to-force)とフォワードダイナミクス(force-to-image)を共同モデリングすることで、クロスセンサー領域シフトを低減する高価な外部力/トルクセンサ(F/T)への依存を避けるため,静的平衡を利用して直接センサ・オブジェクト・センサ・インタラクションを介して力対効果データを収集する。
論文参考訳（メタデータ） (2026-02-01T11:03:01Z)
Distribution-Free Uncertainty-Aware Virtual Sensing via Conformalized Neural Operators [1.7864593554171284]
Conformalized Monte Carlo Operator (CMCO)は、ニューラルネットワークに基づく仮想センシングを、キャリブレーションされた、分布のない予測間隔で変換する。 CMCOは、リトレーニング、アンサンブル、カスタムロス設計なしで、空間的に解決された不確実性推定を達成する。このブレークスルーは、ニューラル演算子のための汎用的なプラグアンドプレイUQソリューションを提供し、デジタルツインにおけるリアルタイムで信頼性の高い推論をアンロックし、センサーフュージョン、安全クリティカルな監視を提供する。
論文参考訳（メタデータ） (2025-07-15T04:26:40Z)
Neuro-Informed Joint Learning Enhances Cognitive Workload Decoding in Portable BCIs [9.198002030833328]
ミューズヘッドバンドは、日常的な脳-コンピュータインターフェースアプリケーションに前例のないモビリティを提供する。携帯型脳波信号の非定常性はデータの忠実度と復号精度を制約する。自己指導と教師付きトレーニングパラダイムを統合した統合型共同学習フレームワークであるMuseCogNetを提案する。
論文参考訳（メタデータ） (2025-06-30T01:42:31Z)
Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文参考訳（メタデータ） (2022-06-23T14:16:30Z)
Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
自律運転システムには2つの主要なアルゴリズムアプローチがある。ディープラーニングだけでは、多くの分野で最先端の結果が得られています。しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
論文参考訳（メタデータ） (2022-03-28T20:29:50Z)
Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。