論文の概要: A Unified Neural-Aided Alignment and Calibration Method for AUVs

• arxiv url: http://arxiv.org/abs/2608.22496v1
• Date: Sun, 23 Aug 2026 16:32:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.779315
• Title: A Unified Neural-Aided Alignment and Calibration Method for AUVs
• Title（参考訳）: AUVの統一型ニューラルネットワークアライメントと校正法
• Abstract要約: AUVは正確な航法のために慣性航法システム(INS)とドップラー速度ログ(DVL)の融合に依存している。 本稿では、両ステージを補完する2つのニューラルネットワーク、アライメントのためのResAlignNetとキャリブレーションのためのDCNetに置き換える、完全なニューラルネットワークによるDVLパイプラインを提案する。 5つの異なるセンサーエラー終端の組み合わせで記録された実世界のデータを用いて、提案されたパイプラインは、モデルベースベースライン平均68.7%の速度ルート平均二乗誤差を削減した。
• 参考スコア（独自算出の注目度）: 4.913013713982677
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous underwater vehicles (AUVs) rely on the fusion of inertial navigation systems (INS) and Doppler velocity logs (DVL) for accurate navigation. Before deployment, this fusion requires a DVL initialization pipeline consisting of two stages: alignment, which estimates the rotation between the INS and DVL frames, and calibration, which estimates the DVL error terms. Conventionally, both stages are solved with model-based algorithms that demand complex vehicle maneuvers, surface-level satellite reference measurements, and simplified error models, making initialization time-consuming, trajectory-dependent, and sensitive to sensor quality. In this work, we propose a fully neural- aided DVL initialization pipeline that replaces both stages with two complementary neural networks: ResAlignNet for alignment and DCNet for calibration. The unified pipeline operates in situ on a single nearly constant-velocity trajectory and uses the same inputs as the model-based baseline. Using real-world data recorded across five distinct sensor error-term combinations, the proposed pipeline reduces the velocity root mean squared error by an average of 68.7% over the model-based baseline, using only 25s of data for initialization.
• Abstract（参考訳）: 自律型水中車両(AUV)は、正確な航法のために慣性航法システム(INS)とドップラー速度ログ(DVL)の融合に依存している。 この融合には、INSフレームとDVLフレームの間の回転を推定するアライメントと、DVLエラー項を推定するキャリブレーションの2段階からなるDVL初期化パイプラインが必要である。 従来、両方のステージは複雑な車両操作、表面レベルの衛星基準測定、簡易なエラーモデルを必要とするモデルベースのアルゴリズムで解決され、初期化に要する時間と軌道に依存し、センサーの品質に敏感になる。 本研究では,両段階を補完する2つのニューラルネットワークであるResAlignNetとキャリブレーションのためのDCNetに置き換える,完全なニューラルネットワークによるDVL初期化パイプラインを提案する。 統一パイプラインは1つのほぼ一定の速度軌道上で動作し、モデルベースベースラインと同じ入力を使用する。 5つの異なるセンサーエラーと長期の組み合わせで記録された実世界のデータを用いて、提案パイプラインはモデルベースベースラインの平均68.7%の速度根平均二乗誤差を減らし、初期化に25秒のデータしか使用しない。

関連論文リスト

• Rethinking Pixel Mean Flows via Interval Denoiser [95.11499828543344]
  潜在自由生成のためのフレームワークであるInterval Denoiserを提案する。 その結果,FIDは1ステップ (1-NFE) で4.55, 2ステップ (2-NFE) で3.98であった。
  論文  参考訳（メタデータ） (2026-08-05T13:22:43Z)
• Adaptive Domain Decomposition Physics-Informed Neural Networks for Traffic State Estimation with Sparse Sensor Data [4.048935037437864]
  ADD-PINNはオフライン速度場再構築のための2段階の残留誘導フレームワークである。 25の配置のうち18の相対的なL2誤差と15のスパースセンシングケースの14の誤差を達成している。
  論文  参考訳（メタデータ） (2026-05-08T17:13:53Z)
• Environment-Aware Channel Inference via Cross-Modal Flow: From Multimodal Sensing to Wireless Channels [45.969793510760645]
  この論文では、マルチモーダル観測から直接完全なCSIを推定するパイロットフリーチャネル推定について検討する。 本研究では,センサ・チャネル間マッピングをモーダル間フローマッチング問題として定式化するデータ駆動型フレームワークを開発した。 実験では,シオンナとブレンダーをベースとした手続き型データ生成装置を構築し,センシングシーンのリアルなモデリングと無線伝搬を支援する。
  論文  参考訳（メタデータ） (2025-12-04T16:35:09Z)
• Joint Distillation for Fast Likelihood Evaluation and Sampling in Flow-based Models [100.28111930893188]
  今日の最高の生成モデルの中には、単一の可能性を計算するために、数百から数千の神経機能評価を必要とするものもあります。 本研究では, 高速流動継手蒸留法 (F2D2) を提案し, サンプリングに必要なNFEの数を2桁に減らした。 F2D2はモジュール構造であり、既存のフローベースの数ステップサンプリングモデルと互換性がある。
  論文  参考訳（メタデータ） (2025-12-02T10:48:20Z)
• Fusing CFD and measurement data using transfer learning [49.1574468325115]
  本稿では,伝送学習によるシミュレーションと計測データを組み合わせたニューラルネットワークに基づく非線形手法を提案する。 最初のステップでは、ニューラルネットワークがシミュレーションデータに基づいてトレーニングされ、分散量の空間的特徴を学習する。 第2のステップは、ニューラルネットワークモデル全体の小さなサブセットを再トレーニングするだけで、シミュレーションと測定の間の体系的なエラーを修正するために、測定データ上での変換学習である。
  論文  参考訳（メタデータ） (2025-07-28T07:21:46Z)
• Full waveform inversion with CNN-based velocity representation extension [4.255346660147713]
  フルウェーブフォームインバージョン(FWI)は、観測データとシミュレーションデータとの差を最小限にして速度モデルを更新する。 数値モデリングおよび不完全地震データ取得における離散化誤差は、隣接演算子を介して伝搬するノイズを導入することができる。 我々は、前方シミュレーションを実行する前に速度モデルを洗練するために畳み込みニューラルネットワーク(CNN)を用いる。 速度とネットワークパラメータの両方を更新するために、同じデータ不適合損失を使用して、自己教師付き学習手順を作成します。
  論文  参考訳（メタデータ） (2025-04-22T12:14:38Z)
• Optimality and Adaptivity of Deep Neural Features for Instrumental Variable Regression [57.40108516085593]
  ディープ・フィーチャー・インスツルメンタル・変数(DFIV)回帰(Deep Feature instrumental variable)は、ディープ・ニューラルネットワークによって学習されたデータ適応的特徴を用いたIV回帰に対する非パラメトリックなアプローチである。 DFIVアルゴリズムは,目的構造関数がベソフ空間にある場合,最小最適学習率を実現する。
  論文  参考訳（メタデータ） (2025-01-09T01:22:22Z)
• DCNet: A Data-Driven Framework for DVL Calibration [2.915868985330569]
  本稿では,2次元畳み込みカーネルを革新的な方法で利用するデータ駆動型フレームワークDCNetを紹介する。 平均精度は70%,キャリブレーション時間は80%向上した。 また, 低コストで高精度なDVLを用いた海洋ロボット工学の新たな応用を開拓した。
  論文  参考訳（メタデータ） (2024-10-11T13:47:40Z)
• Enhanced Laser-Scan Matching with Online Error Estimation for Highway and Tunnel Driving [0.0]
  Lidarデータは、自動運転車やモバイルロボットプラットフォームのナビゲーションのためのポイントクラウドを生成するために使用できる。 本稿では,2つの新しい改良点を提供するスキャンマッチングアルゴリズムであるIterative Closest Ellipsoidal Transform (ICET)を提案する。
  論文  参考訳（メタデータ） (2022-07-29T13:42:32Z)
• BeamsNet: A data-driven Approach Enhancing Doppler Velocity Log Measurements for Autonomous Underwater Vehicle Navigation [12.572597882082054]
  本稿では,推定DVL速度ベクトルを回帰するエンドツーエンドのディープラーニングフレームワークであるBeamsNetを提案する。 その結果,提案手法はDVL速度ベクトルの推定において60%以上の改善を達成できた。
  論文  参考訳（メタデータ） (2022-06-27T19:38:38Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework for LiDAR Point Cloud Segmentation [111.56730703473411]
  LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。 シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。 ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2020-09-07T23:46:08Z)

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。