論文の概要: Residual-Based Adaptive Kalman Filtering for Legged Robot State Estimation
- arxiv url: http://arxiv.org/abs/2608.02316v1
- Date: Mon, 03 Aug 2026 14:39:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.604971
- Title: Residual-Based Adaptive Kalman Filtering for Legged Robot State Estimation
- Title（参考訳）: 残差に基づくロボット状態推定のための適応カルマンフィルタ
- Abstract要約: カルマンフィルタは、複数のセンシングモードを融合させて浮動小数点位置と速度を推定するために広く用いられている。
プロセスノイズ共分散行列Qと測定ノイズ共分散行列Rのオンライン適応戦略を提案する。
実験の結果, 固定調整したInEKFと比較して, 適応Rが十分であり, トロッティング歩行の精度を25%向上することがわかった。
- 参考スコア（独自算出の注目度）: 9.449650062296824
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: State estimation is a key component in model-based control of walking robots and, more broadly, applicable wherever hidden variables must be inferred. The Kalman filter is widely used to estimate floating-base position and velocity by fusing multiple sensing modalities. However, tuning noise parameters is challenging and typically requires expert knowledge. Moreover, fixed noise parameters are unsuitable for varying gaits and environments. We propose an online adaptation strategy for the process noise covariance matrix Q and the measurement noise covariance matrix R. Specifically, we introduce a filter residual and innovation-based covariance adaptation method for legged robot state estimation and evaluate it against a baseline approach relying on IMU and foot force measurements. The proposed adaptation is implemented within an Invariant Extended Kalman Filter (InEKF) fusing IMU and leg kinematics. Experiments on indoor and outdoor datasets with a Unitree Go2 quadruped show that adapting R is sufficient and improves accuracy by 25% for the trotting gait compared to the fixed-tuned InEKF. Finally, the proposed residual-based adaptation achieves comparable performance to the foot force approach, without requiring foot force measurements or additional parameter tuning.
- Abstract（参考訳）: 状態推定は歩行ロボットのモデルベース制御において重要な要素であり、より広い範囲で、隠れた変数を推論しなければならない場所に適用できる。
カルマンフィルタは、複数のセンシングモードを融合させて浮動小数点位置と速度を推定するために広く用いられている。
しかし、ノイズパラメータのチューニングは困難であり、通常は専門家の知識を必要とする。
さらに、固定ノイズパラメータは様々な歩行や環境には適さない。
本稿では,プロセスノイズ共分散行列Qと計測ノイズ共分散行列Rのオンライン適応戦略を提案する。具体的には,ロボットの状態推定のためのフィルタ残差とイノベーションに基づく共分散適応手法を導入し,IMUと足力測定に依存するベースラインアプローチに対して評価する。
提案手法は,IMUと脚運動学を融合した不変拡張カルマンフィルタ(Invariant Extended Kalman Filter, InEKF)内に実装されている。
屋内および屋外のデータセットをUnitree Go2の四重奏で実験したところ、適応Rが十分であり、固定調整したInEKFと比較して、トロッティング歩行の精度が25%向上することがわかった。
最後に, 足力測定やパラメータ調整を必要とせず, 足力アプローチに匹敵する性能が得られた。
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) - 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) - Iterated Invariant EKF for Quadruped Robot Odometry [2.975934604778082]
我々はIterIEKFに基づく脚ロボットのための新しいオープンソース状態推定アルゴリズムを提案する。
We demonstrate that the IterIEKF are out of the vanilla IEKF, the SO(3)-based Kalman Filter, and its iterationated variant in both accuracy and consistency。
論文 参考訳（メタデータ） (2026-04-16T18:09:15Z) - Neural Aided Adaptive Innovation-Based Invariant Kalman Filter [6.037383467521294]
生慣性データから直接プロセスノイズ共分散パラメータを推定するニューラルネットワークを提案する。
ドメイン適応を通じてsim2realフレームワークで完全にトレーニングされたこのネットワークは、実世界のラベル付きデータを必要とせずに、モーション依存およびセンサ依存のノイズ特性をキャプチャする。
論文 参考訳（メタデータ） (2026-03-17T20:32:53Z) - Robust Unscented Kalman Filtering via Recurrent Meta-Adaptation of Sigma-Point Weights [0.0]
メタ適応UKF(英: Meta-Adaptive UKF、MA-UKF)は、超パラメータ最適化問題としてシグマ点重みを再構成するフレームワークである。
即時補正に依存する標準適応フィルタとは異なり、我々の手法は測定イノベーションの歴史をコンパクトな潜伏埋め込みに圧縮するためにリカレントコンテキストを用いる。
機動目標に関する数値ベンチマークは、MA-UKFが標準ベースラインを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2026-03-04T18:27:59Z) - Adaptive Linear Path Model-Based Diffusion [52.84663832658799]
リニアパスモデルベース拡散(LP-MBD)を導入し、分散保存スケジュールをフローマッチング線形確率パスに置き換える。
また,適応型LP-MBD(ALP-MBD)を提案し,タスクの複雑さや環境条件に応じて拡散ステップやノイズレベルを調整する。
論文 参考訳（メタデータ） (2026-02-02T21:33:03Z) - K-VARK: Kernelized Variance-Aware Residual Kalman Filter for Sensorless Force Estimation in Collaborative Robots [2.231201892342327]
本稿では, 適応カルマンフィルタの枠組みを用いて, 継手残留トルクのカーネル化・確率モデルを提案する。
K-VARIance-Aware Residual Kalmanフィルタは、最適化された励振軌道で訓練されたカーネル化運動プリミティブを通して、残留トルクの予測平均と入力依存ヘテロセダス的分散の両方をキャプチャする。
K-VARIance-Aware Residual Kalman filterは、最先端のセンサレス力推定法と比較して、RMSEの20%以上削減できる。
論文 参考訳（メタデータ） (2025-12-15T06:11:14Z) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳（メタデータ） (2023-12-10T15:22:30Z) - SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。
推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。
拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
論文 参考訳（メタデータ） (2023-10-03T05:05:35Z) - Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo
Matching [77.133400999703]
相関に基づくステレオマッチングは優れた性能を達成した。
固定モデルによる現在のメソッドは、さまざまなデータセットで均一に動作しない。
本稿では,ロバストなステレオマッチングのための相関を動的に計算する新しい視点を提案する。
論文 参考訳（メタデータ） (2023-07-26T09:47:37Z) - FAMLP: A Frequency-Aware MLP-Like Architecture For Domain Generalization [73.41395947275473]
本稿では、変換周波数領域において、ドメイン固有の特徴をフィルタリングする新しい周波数認識アーキテクチャを提案する。
3つのベンチマークの実験では、最先端の手法をそれぞれ3%、4%、9%のマージンで上回った。
論文 参考訳（メタデータ） (2022-03-24T07:26:29Z) - Stochastic Optimization of Areas Under Precision-Recall Curves with
Provable Convergence [66.83161885378192]
ROC(AUROC)と精度リコール曲線(AUPRC)の下の領域は、不均衡問題に対する分類性能を評価するための一般的な指標である。
本稿では,深層学習のためのAUPRCの最適化手法を提案する。
論文 参考訳（メタデータ） (2021-04-18T06:22:21Z)
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。