論文の概要: VeloBins: Learning Velocity and Its Uncertainty via Bins and Error-Conditioned Gaussian Labels for Aerial Inertial Odometry
- arxiv url: http://arxiv.org/abs/2608.29720v1
- Date: Sun, 30 Aug 2026 11:00:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.052534
- Title: VeloBins: Learning Velocity and Its Uncertainty via Bins and Error-Conditioned Gaussian Labels for Aerial Inertial Odometry
- Title（参考訳）: VeloBins:Aerial Inertial Odometryのためのビンと誤り記述型ガウスラベルによる学習速度と不確かさ
- Authors: Maulana Bisyir Azhari, Seungwook Lee, Donghun Han, Sung Jun Park, David Hyunchul Shim,
- Abstract要約: 慣性オドメトリーは、アグレッシブな操作と照明の弱い視覚センサーを備えた航空ロボットにとって重要である。
本稿では,速度レグレッションを離散化された速度ビンの分類として再構成するVeloBinsを紹介する。
フリーフォームのアグレッシブフライトから27gのナノクワッドローター、21m/s以上のドローンレースまで、VeloBinsを4つの航空データセットで評価した。
- 参考スコア（独自算出の注目度）: 5.366057870797728
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inertial odometry (IO) is critical for aerial robots, where aggressive maneuvers and poor lighting degrade visual sensors. Recent learning-based IO methods improve traditional integration-based approaches by learning motion priors from IMU and platform-specific sensors, then fusing the predictions within an extended Kalman filter. However, learning velocity through regression is difficult, while jointly estimating uncertainty with a separate decoder and negative log-likelihood (NLL) loss further complicates training and can lead to over-confident estimates. We introduce VeloBins, which reformulates velocity regression as classification over discretized velocity bins. We decode both the velocity from the bin distribution's expectation and the uncertainty from its variance, removing the need for a separate uncertainty decoder. We further supervise the uncertainty explicitly using an error-conditioned Gaussian label centered at the ground-truth velocity, with a standard deviation set to the velocity error. We evaluate VeloBins on four aerial datasets, ranging from free-form aggressive flights and a 27 g nano-quadrotor to drone racing at over 21~m/s. VeloBins achieves the lowest average errors on all four datasets, reducing velocity, relative trajectory, and absolute trajectory errors by 3-27%, 8-40%, and 6-53%, respectively, compared with the strongest baseline. Notably, the proposed supervision achieves the lowest NLL and best filter consistency despite never optimizing an NLL loss. The code will be available upon acceptance.
- Abstract（参考訳）: 慣性オドメトリー(IO)は、アグレッシブな操作と低照度視覚センサーを備えた航空ロボットにとって重要である。
最近の学習ベースのIO手法は、IMUとプラットフォーム固有のセンサーから動きの先行を学習し、拡張Kalmanフィルタ内で予測を融合することで、従来の統合ベースのアプローチを改善する。
しかし、回帰による学習速度の学習は困難であるが、別個の復号器と負の対数類似度(NLL)の損失を共同で推定することは、トレーニングをさらに複雑化し、過信推定につながる可能性がある。
本稿では,速度レグレッションを離散化された速度ビンの分類として再構成するVeloBinsを紹介する。
我々は、ビン分布の期待から速度をデコードし、その分散から不確かさをデコードし、別個の不確かさデコーダの必要性を取り除く。
さらに, 誤差条件付きガウスラベルを接地軌道速度中心とし, 標準偏差を速度誤差に設定して, 不確かさを明示的に監視する。
フリーフォームのアグレッシブフライトや27gのナノクワッドローター、21～m/s以上のドローンレースまで、VeloBinsを4つの航空データセットで評価した。
VeloBinsは、最強のベースラインと比較して、速度、相対軌道、絶対軌道誤差を3-27%、8-40%、および6-53%減少させる。
特に、提案した監視は、NLL損失を最適化しないにもかかわらず、最低のNLLと最高のフィルタ一貫性を達成する。
コードは受理後利用可能になる。
関連論文リスト
- Dense Soft Weighting for Radar Ego-Velocity Estimation [6.356174487225252]
本稿では,エゴ速度推定のための分析レーダフロントエンドであるDense Soft Weightingを提案する。
すべてのレンジドップラーセルを2値検出閾値を強制するのではなく、連続した信頼度にマッピングする。
これは、最強のCFARポイントクラウドベースラインと比較して平均的な絶対的なポーズエラーを31-45%削減する。
論文 参考訳（メタデータ） (2026-07-29T14:37:52Z) - DINS-IO: Learned Inertial Odometry via Differentiable INS Consistency [10.120588097901377]
位置ラベルなしで生のIMUストリームから直接慣性オドメトリーを学習するDINS-IOを提案する。
我々は、この制約を、世界共通のバイアスを持つスライドウインドウの最小二乗問題として、閉形式で解き、自己監督的損失として解法残差を用いる。
自己教師ネットワークは、一貫した動きを学習するが、その速度はまだメートル法的に校正されていないため、いくつかのラベル付き軌道から真のメートル法速度に校正する。
論文 参考訳（メタデータ） (2026-07-22T14:52:28Z) - Trajectory-Consistent Flow Matching for Robust Visuomotor Policy Learning [1.7616042687330642]
フローマッチングポリシは、ノイズを動作に伝達する連続速度場を学習し、ロボット操作のための決定論的推論を可能にする。
標準トレーニングは、軌道の複雑な誤りを引き起こすミスマッチである、そのフィールドの数値的な統合を必要とする間、ポイントワイドな速度目標を最適化する。
本研究では,(1)全時間間隔にわたって時間的監督を均一に行う補助的整流流速度回帰,(2)軌道上の速度場の統合的変位を監督する多段階軌道整合性トレーニング,(3)時間的滑らかさを強制する速度場正規化の4つの補完策を提案する。
論文 参考訳（メタデータ） (2026-05-08T21:44:10Z) - UNRIO: Uncertainty-Aware Velocity Learning for Radar-Inertial Odometry [16.577608323279662]
UNRIOは、不確実性を認識したレーダー慣性オドメトリーシステムである。
生のmmWaveレーダーIQ信号から直接エゴ速度を推定する。
論文 参考訳（メタデータ） (2026-04-15T07:43:06Z) - ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
ResADは正規化された残留軌道モデリングフレームワークである。
学習タスクを再編成し、慣性参照からの残留偏差を予測する。
NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
論文 参考訳（メタデータ） (2025-10-09T17:59:36Z) - 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) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - Adan: Adaptive Nesterov Momentum Algorithm for Faster Optimizing Deep Models [134.83964935755964]
ディープラーニングでは、異なる種類のディープネットワークは典型的に異なる補間を必要とし、複数のトライアル後に選択する必要がある。
本稿では,この問題を解消し,モデルトレーニング速度を継続的に改善するために,ADAtive Nesterov運動量変換器を提案する。
論文 参考訳（メタデータ） (2022-08-13T16:04:39Z) - StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。
本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。
本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
論文 参考訳（メタデータ） (2022-07-21T12:03:02Z) - Understanding and Mitigating the Tradeoff Between Robustness and
Accuracy [88.51943635427709]
逆行訓練は、堅牢なエラーを改善するために、摂動でトレーニングセットを増強する。
拡張摂動が最適線形予測器からノイズのない観測を行う場合であっても,標準誤差は増大する可能性がある。
論文 参考訳（メタデータ） (2020-02-25T08:03:01Z)
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。