論文の概要: WRAP: Wasserstein-Robust Adaptive Plug-in for Robot Localization
- arxiv url: http://arxiv.org/abs/2608.09807v1
- Date: Mon, 10 Aug 2026 16:29:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.38483
- Title: WRAP: Wasserstein-Robust Adaptive Plug-in for Robot Localization
- Title（参考訳）: WRAP:Wasserstein-Robust Adaptive Plug-in for Robot Localization
- Abstract要約: WRAPは,非線形拡張カルマンフィルタ(EKF)とエラー状態カルマンフィルタ(E)スタックのためのアダプタ非依存なワッサースタイン・ロバストプラグインである。
因果モジュールは、時間変化の有効なプロセスと測定統計を提供する。
頑健な解法はUWBが0.05ms、Jetson Orin Nanoが2.92msである。
- 参考スコア（独自算出の注目度）: 19.472531924890088
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robotic localization under changing sensing conditions can suffer from biased errors and miscalibrated covariances. We present WRAP, an adapter-agnostic Wasserstein-robust plug-in for nonlinear extended Kalman filter (EKF) and error-state Kalman filter (ESKF) stacks. A causal module supplies time-varying effective process and measurement statistics; a mean-preserving Wasserstein local update then computes least-favorable covariances and a robust gain without changing the propagation model, residual, or retraction. This separates mean adaptation from covariance robustification and uses distinct radii for propagation and sensing. On 18 UWB--IMU sequences held out from adapter training, adapter-only and WRAP reduce mean 3-D position RMSE by $19.8\%$ and $27.4\%$ relative to the nominal ESKF; an isotropic ablation reaches $19.5\%$, linking the incremental gain to directional process-covariance redistribution. An in-sample GNSS--INS study shows that mean adaptation provides most of the accuracy gain, while DR improves consistency and mitigates over-tightened classical covariance estimates. The robust solve takes 0.05 ms for UWB and 2.92 ms for GNSS on a Jetson Orin Nano.
- Abstract（参考訳）: 感知条件の変化によるロボットの局所化は、偏りのある誤りと誤校正された共分散に悩まされる。
WRAPは非線形拡張カルマンフィルタ(EKF)およびエラー状態カルマンフィルタ(ESKF)スタックのためのアダプタに依存しないワッサースタイン・ロバストプラグインである。
平均保存されたワッサーシュタインの局所的な更新は、伝播モデル、残留、または引き戻しを変更せずに、最も好ましくない共変と頑健な利得を計算する。
これは共分散ロバスト化から平均適応を分離し、伝播とセンシングに異なるラジイを用いる。
18個のUWB-IMUシーケンスがアダプタトレーニングから持ち出された場合、アダプタのみとWRAPは平均3D位置RMSEを19.8 %$と27.4 %$に減らし、等方的アブレーションは19.5 %$に達し、インクリメンタルゲインを方向のプロセス共分散再分配にリンクする。
In-sample GNSS-INS研究は、平均適応がほとんどの精度向上をもたらすことを示しているが、DRは一貫性を改善し、古典的共分散の推定を過度に高めている。
頑健な解法はUWBでは0.05ms、ジェットソン・オリン・ナノでは2.92msである。
関連論文リスト
- SS-ESOAP: Self-Scaled Adaptive Preconditioning for Physics-Informed Learning [70.71795707610961]
メソッドは、Kronecker幾何に適応したスカラーセマントエネルギー補正でSOAPスタイルのプレコンディショニングを強化する。
メソッドは8つのPDEベンチマークのうち6つで最下位の残差に達する。
4つの代表PDEの3列の$L2$と$H1$エラーは、低い残差と改善された解精度の間のリンクをサポートする。
論文 参考訳（メタデータ） (2026-08-29T21:34:47Z) - SPARC: Single-Pass Scaling for Motion Forecasting with Conformal Bayesian Last Layers [1.4452289368758382]
シングルパス適応リスク(英: Single-Pass Adaptive Risk)は、人間の動き予測器に対する構造的、校正的、効率的な不確実性推定である。
決定論的バックボーンは将来の平均を予測し、共役ベイズ最後の層は時間領域の特徴レバレッジを解析的地平線スケールに変換する。
NLLと組み合わせたMPJPE+NLLの基準では、競争点の精度と効率的な校正管を維持している。
論文 参考訳（メタデータ） (2026-08-21T07:20:22Z) - LC-GRPO: Bridging Train-Inference Gap for Flow-Based GRPO with Langevin Correction [59.32834240526981]
フローベース生成モデルは典型的には、決定論的常微分方程式(ODE)を解くことによってサンプリングされる
既存の流れモデルのためのGRPO法は、訓練中にオイラー時間ODEを非等方微分方程式(SDE)に置き換える。
本稿では,フローベースGRPOフレームワークであるLC-GRPOを紹介する。
論文 参考訳（メタデータ） (2026-08-06T04:47:57Z) - Unscented KalmanNet: a hybrid deep learning filter with calibrated posterior covariance for nonlinear state estimation [3.3318820340878528]
非線形力学系の状態推定は、Unscented Kalman filter (UKF) を用いて行うのが一般的である。
本稿では、構造的に異なる2つの学習要素でUKFを増強するハイブリッド再帰推定器であるUnscented KalmanNet(UKN)を紹介する。
UKNは4つの例の中で最も低い集合状態推定誤差を達成し、合成ケースのUKFと比較してRMSEを26.4$-49.7%値下げする。
論文 参考訳（メタデータ） (2026-08-04T19:58:01Z) - Residual-Based Adaptive Kalman Filtering for Legged Robot State Estimation [9.449650062296824]
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。
論文 参考訳（メタデータ） (2026-08-03T14:39:06Z) - Smart Ensemble Learning Framework for Predicting Groundwater Heavy Metal Pollution [0.0]
デンス盆地の地下水は重金属汚染によってますます脅かされている。
主な課題は重金属汚染指数(HPI)のモデル化である。
本研究では,Nested Cross-validated ensemble Machine Learningと応答変換を統合したフレームワークを開発した。
論文 参考訳（メタデータ） (2026-04-29T21:40:18Z) - KD-EKF: Knowledge-Distilled Adaptive Covariance EKF for Robust UWB/PDR Indoor Localization [6.004649968619912]
屋内でのローカライゼーションは、センチメートルレベルの精度と低レイテンシを提供する。
非視界条件下では測定信頼性が著しく低下する。
慣性測定ユニット(IMU)をベースとしたPDR(Pedestrian Dead Reckoning)は,インフラストラクチャフリーな動作推定を提供する。
論文 参考訳（メタデータ） (2026-03-06T03:12:52Z) - DC-Solver: Improving Predictor-Corrector Diffusion Sampler via Dynamic Compensation [68.55191764622525]
拡散モデル(DPM)は、視覚合成において顕著な性能を示すが、サンプリング中に複数の評価を必要とするため、計算コストが高い。
最近の予測器合成・拡散サンプリング装置は,要求される評価回数を大幅に削減したが,本質的には誤調整の問題に悩まされている。
我々はDC-CPRrと呼ばれる新しい高速DPMサンプリング装置を導入する。
論文 参考訳（メタデータ） (2024-09-05T17:59:46Z) - An adaptive ensemble filter for heavy-tailed distributions: tuning-free
inflation and localization [0.3749861135832072]
重尾は、非線形力学および観察過程から生じる分布をフィルタリングする一般的な特徴である。
本研究では,各状態と観測値の同時予測分布のサンプルから,前から後への更新を推定するアルゴリズムを提案する。
本稿では,新しいアンサンブルフィルタの利点について述べる。
論文 参考訳（メタデータ） (2023-10-12T21:56:14Z) - Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。
本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
論文 参考訳（メタデータ） (2023-06-27T08:15:28Z) - DR-DSGD: A Distributionally Robust Decentralized Learning Algorithm over
Graphs [54.08445874064361]
本稿では,分散環境下での正規化された分散ロバストな学習問題を解くことを提案する。
Kullback-Liebler正規化関数をロバストなmin-max最適化問題に追加することにより、学習問題を修正されたロバストな問題に還元することができる。
提案アルゴリズムは, 最低分布検定精度を最大10%向上できることを示す。
論文 参考訳（メタデータ） (2022-08-29T18:01:42Z) - The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。
具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。
KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文 参考訳（メタデータ） (2022-01-29T10:54:57Z)
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。