論文の概要: When Your State Estimator Has Lost The Plot: Detecting Estimator Failures Via Spectral Analysis

• arxiv url: http://arxiv.org/abs/2608.10623v1
• Date: Tue, 11 Aug 2026 08:08:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.95636
• Title: When Your State Estimator Has Lost The Plot: Detecting Estimator Failures Via Spectral Analysis
• Title（参考訳）: 状態推定器がスロットを失ったとき:スペクトル分析による推定器の故障を検知する
• Abstract要約: 本稿では,近年の速度推定における周波数領域の電力分布を解析することにより,推定器の健康度を評価するセンサ非依存検査手法を提案する。 以上の結果から,状態推定器の出力の周波数領域解析さえも,実世界のロボット展開において既存のロバスト性技術を補完する軽量なイントロスペクティブツールとして機能することが示唆された。
• 参考スコア（独自算出の注目度）: 17.77608320180552
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable onboard state estimation is essential for safe robotic operation, yet unmodeled disturbances, such as sensor aliasing or out-of-distribution noise, still cause estimators to degrade or fail completely. While many methods aim to improve estimator robustness, only a few provide introspective mechanisms to assess estimate quality. Existing uncertainty measures, such as covariances, rely on idealized assumptions and tend to be overconfident, and more recent data-driven approaches are typically tied to their training data distributions. We propose a sensor-agnostic introspective method that assesses estimator health by analyzing the frequency-domain power distribution of recent velocity estimates. The method is evaluated using outdoor flight data from an aerial robot running visual-inertial, LiDAR-inertial, and radar-inertial odometry. The dataset includes multiple estimator failures, enabling analysis of several frequency-domain indicators, such as signal power, spectral bandwidth, and entropy. We observe consistent spectral power differences between healthy and degraded estimates, allowing detection of 51%-58% of labeled failures with 60%-84% precision across three fundamentally different state estimation frameworks. Our results show that even a simple frequency-domain analysis of a state estimator's output can serve as a lightweight introspective tool to complement existing robustness techniques in real-world robotic deployments, and opens promising avenues for future investigation.
• Abstract（参考訳）: 安全なロボット操作には信頼性の高いオンボード状態推定が不可欠であるが、センサエイリアスやアウト・オブ・ディストリビューションノイズなどの非モデル化された障害は、まだ推定者が劣化または完全に失敗する原因となっている。 多くの手法は推定器のロバスト性を改善することを目的としているが、推定品質を評価するためのイントロスペクティブメカニズムを提供するのはごくわずかである。 共分散のような既存の不確実性尺度は理想化された仮定に依存しており、過度に信頼される傾向がある。 本稿では,近年の速度推定における周波数領域の電力分布を解析することにより,推定器の健康度を評価するセンサ非依存検査手法を提案する。 この方法は、視覚慣性、LiDAR慣性、レーダー慣性オドメトリーを走行する航空ロボットの屋外飛行データを用いて評価する。 このデータセットには、信号パワー、スペクトル帯域幅、エントロピーなど、複数の周波数領域インジケータの分析を可能にする複数の推定器障害が含まれている。 3つの基本的異なる状態推定フレームワークで、ラベル付き故障の51%-58%を60%-84%の精度で検出できる。 以上の結果から,状態推定器の出力を簡易に周波数領域解析することで,実世界のロボット展開における既存のロバスト性技術を補完する軽量なイントロスペクティブツールとして機能し,今後の研究に期待できる道を開くことが示唆された。

関連論文リスト

• Operational Range Bounding in Spectroscopy: A Safety Cage Framework for Machine Learning Models [0.6908439820101059]
  本研究では,並列監視層として機能するモジュール型安全ケージアーキテクチャを評価し,予測の有効性を評価する。 単一のインジケータがすべての障害モードをキャプチャし、インジケータの融合の必要性を示す。 形式化されたカバレッジリスクフレームワークを用いて、リスクレベルの精度を最大化する構成を特定するために、インジケータの組み合わせの体系的分析を行う。
  論文  参考訳（メタデータ） (2026-09-11T20:32:01Z)
• BER-PEF: Unified Human Mobility Predictability Evaluation via Bayes Error Rate Estimation [18.497151729519267]
  本稿では,BER推定をモビリティ予測可能性推定に変換するBayes-error-rate-based frameworkであるBER-PEFを提案する。 このフレームワークは、記号列、数値軌跡、文脈特徴、学習された表現を共通の特徴-ラベル空間にマッピングする。 Foursquare NYC、TKY、GeoLife、T-Driveでの実験では、いくつかのBERベースの推定器が既存の予測可能性手法よりも低い参照差を達成している。
  論文  参考訳（メタデータ） (2026-09-03T12:19:56Z)
• TimeLAVA: Learning-Agnostic Data Valuation for Time Series [48.76711740818533]
  TimeLAVAは、評価データと参照データの間の分布差を最小限に抑えるために、時間セグメントを限界貢献によって評価する学習非依存のフレームワークである。 モデルに依存しない一般化にバリュエーションをリンクする理論的保証を提供し、汚染に対する有界感度を証明する。
  論文  参考訳（メタデータ） (2026-06-17T06:16:16Z)
• Tackling Incomplete Data in Air Quality Prediction: A Bayesian Deep Learning Framework for Uncertainty Quantification [6.665519965608339]
  本研究は,リアルタイム車載モバイル監視など,新興センシングパラダイムにおける不完全な観察を伴って,信頼度の高い深層学習に基づく時間的予測の基礎を築いた。
  論文  参考訳（メタデータ） (2025-11-04T01:42:00Z)
• Leveraging Variational Autoencoders for Parameterized MMSE Estimation [10.141454378473972]
  条件付き線形最小二乗誤差推定器のパラメータ化のための変分オートエンコーダに基づくフレームワークを提案する。 導出した推定器は、推定問題の生成前として変分オートエンコーダを用いて最小平均2乗誤差推定器を近似する。 提案手法と最小平均二乗誤差推定器の差分を限定して厳密な解析を行う。
  論文  参考訳（メタデータ） (2023-07-11T15:41:34Z)
• Lightweight, Uncertainty-Aware Conformalized Visual Odometry [2.429910016019183]
  データ駆動型ビジュアルオドメトリー(VO)は、自律エッジロボティクスにとって重要なサブルーチンである。 昆虫スケールドローンや外科ロボットのような最先端ロボットデバイスは、VOの予測の不確実性を推定する計算的に効率的な枠組みを欠いている。 本稿では,共形推論(CI)を利用してVOの不確実な帯域を抽出する,新しい,軽量で統計的に堅牢なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-03T20:37:55Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
  ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。 本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。 私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
  論文  参考訳（メタデータ） (2021-10-04T17:59:31Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• The Aleatoric Uncertainty Estimation Using a Separate Formulation with Virtual Residuals [51.71066839337174]
  既存の手法では、ターゲット推定における誤差を定量化できるが、過小評価する傾向がある。 本稿では,信号とその不確かさを推定するための新たな分離可能な定式化を提案し,オーバーフィッティングの影響を回避した。 提案手法は信号および不確実性推定のための最先端技術より優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-03T12:11:27Z)
• Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
  確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。 コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
  論文  参考訳（メタデータ） (2020-08-07T08:22:26Z)

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。