論文の概要: Failure or Drift? Evaluating Monocular SLAM under Synthetic and Real-World Corruptions

• arxiv url: http://arxiv.org/abs/2608.30690v1
• Date: Mon, 31 Aug 2026 12:28:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.388727
• Title: Failure or Drift? Evaluating Monocular SLAM under Synthetic and Real-World Corruptions
• Title（参考訳）: 失敗かドリフトか? 合成・実世界の崩壊下における単分子SLAMの評価
• Abstract要約: 画像空間, 幾何学的認識, 複合汚職の下で, 古典的特徴ベースシステムと2つの学習的トラッカーを評価する。 その結果、学習したトラッカーは破滅的な損失を持続的、時には重篤な漂流に置き換えることがわかった。
• 参考スコア（独自算出の注目度）: 21.11425002008934
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual SLAM is commonly evaluated on clean trajectories, although deployment failures are often caused by adverse weather, illumination, blur, and sensor artifacts. Controlled corruptions are attractive because they isolate such factors, but a synthetic stress test is useful only when it leads to the same engineering conclusion as the condition it is intended to approximate. This work examines that question for monocular SLAM. We evaluate a classical feature-based system and two learned trackers under image-space, geometry-aware, and compound corruptions, and compare their behavior with adverse conditions from 4Seasons. Rather than reducing robustness to a single trajectory error, the evaluation separates explicit tracking failure from drift accumulated by methods that remain active. The results show that learned trackers largely replace catastrophic loss with sustained, and sometimes severe, drift. More importantly, the apparent ordering of the learned systems changes with the physical fidelity of the corruption: structured rain and fog proxies preserve the real-world ordering, whereas a simple illumination proxy does not. Code is available at: https://github.com/abhaythomas/master_thesis_vslamlab_robustness.
• Abstract（参考訳）: 視力SLAMはクリーンな軌道上で一般的に評価されるが、デプロイメントの失敗は悪天候、照明、ぼやけ、センサアーティファクトによって引き起こされることが多い。 制御された汚職は、これらの因子を分離するので魅力的であるが、合成ストレステストは、それが近似することを意図した条件と同じ工学的結論に至る場合にのみ有用である。 本研究は, 単分子SLAMの問題を考察する。 特徴量に基づく古典的システムと2つの学習的トラッカーを画像空間,幾何学的認識,複合汚職の下で評価し,それらの挙動と4Seasonsの悪条件との比較を行った。 単一の軌道誤差に対するロバスト性を低下させる代わりに、この評価は、明示的な追跡失敗をアクティブなメソッドによって蓄積されたドリフトから分離する。 その結果、学習したトラッカーは破滅的な損失を持続的、時には重篤な漂流に置き換えることがわかった。 さらに重要なのは、学習されたシステムの明らかに順序付けは、汚職の物理的忠実さによって変化し、構造化された雨と霧のプロキシが現実世界の秩序を維持しているのに対して、単純な照明プロキシはそうではない。 コードは、https://github.com/abhaythomas/master_thesis_vslamlab_robustnessで入手できる。

関連論文リスト

• Label-free Industrial Fault Detection via Adversarial Inverse Reinforcement Learning: A System for Run-to-Failure Prognostics [6.350348168407884]
  機械故障検出は教師あり学習に大きく依存している。 現在の RL' の MFD 法は、この問題を静的文脈帯域 (CB) の定式化に還元する。 本稿では,MFDをオフラインIRL問題として扱う逆逆強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-25T02:02:22Z)
• DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
  新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。 適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。 DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
  論文  参考訳（メタデータ） (2026-06-30T20:57:51Z)
• Active Adversarial Perturbation-driven Associative Memory Retrieval for RGB-Event Visual Object Tracking [58.338848435042536]
  RGB-Eventトラッキングは、イベントセンサからRGB外観テクスチャと高密度時間運動キューを融合することにより、ローカライズを改善する。 現実世界のシーンは、従来のマルチモーダル融合を妨げる多様な構造的な信号劣化に悩まされる。 本稿では,RGBイベント追跡に適した階層的摂動・検索フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-24T23:34:06Z)
• Rethinking State Tracking in Recurrent Models Through Error Control Dynamics [26.942965240880515]
  本研究では,アフィン再帰ネットワークが状態表現を保存すると,状態分離部分空間の誤りを訂正できないことを示す。 我々は、ロバストな状態追跡がアーキテクチャの理論的表現性だけでなく、エラー制御によって決定されることを証明した。
  論文  参考訳（メタデータ） (2026-05-08T13:59:15Z)
• CoG: Controllable Graph Reasoning via Relational Blueprints and Failure-Aware Refinement over Knowledge Graphs [53.199517625701475]
  CoGはDual-Process Theoryにインスパイアされたトレーニング不要のフレームワークで、直観と熟考の相互作用を模倣している。 CoGは精度と効率の両方において最先端のアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-16T07:27:40Z)
• Learning Real-World Image De-Weathering with Imperfect Supervision [57.748585821252824]
  既存の現実世界のデヒータリングデータセットは、接地トラス画像と入力された劣化画像の間に、一貫性のない照明、位置、テクスチャを示すことが多い。 我々は、入力劣化画像と可能な限り一貫性のある擬似ラベルを生成するための一貫性ラベルコンストラクタ(CLC)を開発した。 我々は,従来の不完全ラベルと擬似ラベルを組み合わせることで,情報割当戦略による脱ウェザリングモデルを共同で監督する。
  論文  参考訳（メタデータ） (2023-10-23T14:02:57Z)
• Detecting train driveshaft damages using accelerometer signals and Differential Convolutional Neural Networks [67.60224656603823]
  本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。 その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
  論文  参考訳（メタデータ） (2022-11-15T15:04:06Z)
• ShaSTA: Modeling Shape and Spatio-Temporal Affinities for 3D Multi-Object Tracking [25.093138732809738]
  マルチオブジェクトトラッキングは、あらゆるロボットシステムの基盤となる能力である。 検出器は、低い精度のリコールシステムで機能し、偽陽性の頻度を高い頻度で生成しながら、低い数の偽陰性を確実にする。 本研究では, 連続するフレーム間の形状と時間的親和性を学習し, 真陽性と偽陽性の検知とトラックの識別をより良くする手法を提案する。
  論文  参考訳（メタデータ） (2022-11-08T00:20:38Z)
• Detecting Rewards Deterioration in Episodic Reinforcement Learning [63.49923393311052]
  多くのRLアプリケーションでは、トレーニングが終了すると、エージェント性能の劣化をできるだけ早く検出することが不可欠である。 我々は,各エピソードにおける報酬が独立でもなく,同一に分散した,マルコフでもない,エピソード的枠組みを考察する。 平均シフトは、時間信号の劣化(報酬など)に対応する方法で定義し、最適な統計的パワーでこの問題の試行を導出する。
  論文  参考訳（メタデータ） (2020-10-22T12:45:55Z)
• Motion and Region Aware Adversarial Learning for Fall Detection with Thermal Imaging [8.110295985047278]
  転倒検知のためのホームベースのカメラシステムは、しばしば人々のプライバシーを危険にさらす。 転倒はめったに起こらないため、クラス不均衡によるアルゴリズムの学習は簡単ではない。 熱画像を用いた対向フレームワーク内での転倒検出を異常検出として定式化する。
  論文  参考訳（メタデータ） (2020-04-17T17:17:29Z)

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。